VLA-Δ: Marco para supervisión física en modelos visión-lenguaje-acción

El marco VLA-Δ propone un enfoque para mejorar el control de robots mediante modelos de visión-lenguaje-acción (VLA) al introducir la supervisión explícita de las transiciones de estado físico. A diferencia de los métodos actuales que mapean directamente las observaciones a acciones demostradas, lo que puede provocar sobreajuste, VLA-Δ utiliza los cambios físicos entre estados actuales y futuros como objetivos de aprendizaje directos. Para soportar este objetivo, los autores han construido un conjunto de datos de preentrenamiento a gran escala que incluye anotaciones de transición de estado físico, cubriendo tanto la semántica relevante para la tarea como los cambios de movimiento visual. Este enfoque proporciona una supervisión más directa para la generación de acciones continuas. Durante la inferencia, el modelo genera acciones directamente desde las observaciones actuales sin sobrecarga adicional de inferencia. El sistema ha demostrado un rendimiento competitivo con el estado del arte en los benchmarks LIBERO y RoboTwin, superando a π0.5 en experimentos con robots reales. El código del proyecto está disponible públicamente en GitHub, facilitando su replicación y uso por la comunidad de investigación en robótica y visión por computadora.