TempoBridge：以语言调节VLA策略的执行节奏

摘要

视觉-语言-动作 (VLA) 模型可以有效地理解要执行的任务，但对如何执行任务提供有限的控制，例如快速或缓慢移动。我们引入了 TempoBridge，这是一个轻量级框架，它使用冻结的 VLA 表示根据每个任务阶段指令中的节奏提示来调节动作，而无需额外的节奏条件机器人演示或特定于节奏的基本策略微调。 TempoBridge 从上下文 VLM 表示中提取节奏提示，通过因果阶段路由器将它们与任务进度对齐，并在执行过程中调制名义运动命令。在 LIBERO 任务中，TempoBridge 在规范节奏指令下将节奏成功率从 52.6% 提高到 89.7%，同时保持较高的任务成功率。当不存在节奏提示时，它还可以保留接近基线的性能，并且无需额外训练即可推广到看不见的节奏表达。在物理机器人上的实验进一步证明了现实世界操作中语言条件的节奏调制。

TempoBridge：以语言调节VLA策略的执行节奏：论文原图 — 图 2：TempoBridge 概述。使用 π0.5\pi_{0.5} 内冻结的 VLM 主干，基于原型的节奏读出器从指令中提取一次有序节奏序列并将其缓存以供执行。在每次重新计划时，因果阶段路由器都会使用从策略前向传递和机器人状态中重用的视觉特征来跟踪任务进度并选择活动事件。相应的节奏系数缩放标称动作块的平移分量。