Vela: um VLA que prevê trajetórias suaves em vez de blocos de ações

Em resumo: A maioria dos modelos visão-linguagem-ação (VLA) gera um número fixo de ações futuras em passos de tempo fixos, o chamado "bloco de ações" (action chunk). O Vela prevê, em vez disso, os pontos de controle de uma curva suave e por quanto tempo ela deve durar. Assim, o mesmo orçamento de saída cobre um movimento longo e suave ou um movimento curto e preciso com contato.

O problema que resolve

Em um bloco de ações, ações vizinhas são quase idênticas, desperdiçando capacidade, e há um dilema: horizonte mais longo significa passos mais grosseiros, o que prejudica a manipulação precisa com contato.

Como o Vela funciona

• Prevê 12 pontos de controle de B-spline cúbica e um horizonte que depende do movimento (16 a 40 passos).
• No treino, cada demonstração recebe o maior horizonte que a spline consegue representar dentro de uma tolerância que considera o ruído.
• Um espaço de ação compartilhado de 26 dimensões permite treinar com muitos tipos de robôs.
• Baseado na arquitetura π0.5 (backbone PaliGemma de 3B mais um especialista de ação de 300M), pré-treinado com cerca de 20 mil horas de dados públicos de robôs de 60 conjuntos e cerca de 20 mil horas de dados privados.

Resultados relatados pelos autores

Benchmark	π0.5	Vela
Sucesso médio no LIBERO-X	39,3%	45,3%
Sucesso geral no EBench	41,4%	49,7%
Bolo de ovo real (sucesso médio por subtarefa)	37,5%	67,5%
Ralar batata real (sucesso médio por subtarefa)	62,5%	87,5%

No LIBERO-X, os ganhos foram maiores nos níveis com mais mudança de distribuição. Ajustar uma spline depois da saída de um modelo comum não recuperou os ganhos.

Por que importa

A forma como um modelo representa ações importa tanto quanto o seu tamanho. O Vela sugere que trajetórias contínuas podem virar o formato padrão de saída dos futuros modelos fundacionais para robôs. Os números são dos próprios autores, em um preprint ainda não replicado de forma independente.