GRASP: Physikbasierter Verlust und visuelle Queries heben zweiarmige VLA-Erfolgsquote von 64 auf 79 Prozent
Ein physikbasierter Trainingsverlust und zwei gelernte visuelle Queries haben die durchschnittliche Erfolgsquote einer pi0.5-Roboterpolicy in 50 simulierten Zweiarm-Aufgaben von 64,1 auf 79,2 Prozent gesteigert und eine reale Wassermelonensaft-Aufgabe von 56,7 auf 83,3 Prozent, wie ein Preprint unter Führung des chinesischen Roboterherstellers COWARobot zeigt. Die zusätzlichen Trainingssignale entfallen im Betrieb, der Roboter fährt eine gewöhnliche Gelenkraum-Policy.
Lässt sich eine Vision-Language-Action-Policy, die direkt Gelenkwinkel ausgibt, so trainieren, dass ihr Verlust die Größen abbildet, auf die es am Roboter ankommt, nämlich Werkzeugmittelpunkt und Relativlage der beiden Arme, und dass sie auf die Kontaktzone von Hand und Objekt achtet, ohne im Einsatz mehr Rechenaufwand zu kosten?
Gelenkraum-Policies sparen sich zur Laufzeit die inverse Kinematik, behandeln im Training aber jeden Gelenkfehler gleich. Ein kleiner Fehler in der Schulter verschiebt den Greifer weit stärker als derselbe Fehler im Handgelenk; ein niedriger Gelenkraumverlust kann also trotzdem einen verfehlten Griff bedeuten. Die visuelle Aufmerksamkeit lernt das Modell nur indirekt über den Aktionsverlust.
Bisherige VLAs sagen entweder Greiferposen voraus und verlassen sich auf einen IK-Löser, der nahe Singularitäten unerreichbare Posen und Sprünge liefern kann, oder regressieren Gelenkwerte mit einem einfachen Verlust je Dimension. Frühere Ansätze bestraften kinematische Fehler nur an der finalen Aktion oder ergänzten Query-Token aus visuellen Modellen, ohne Szenensemantik und lokale Kontaktzone zu trennen.
GRASP setzt auf dem vortrainierten pi0.5 auf und fügt zwei reine Trainingspriors hinzu. Erstens wird auf jeder Rauschstufe des Flow Matching die implizit geschätzte saubere Aktion durch eine differenzierbare Vorwärtskinematik geführt und nach TCP-Pose und Relativpose der Arme bestraft. Zweitens sagt eine globale Query-Gruppe künftige Bildmerkmale eines eingefrorenen DINOv3-Modells voraus, während eine lokale Interaktions-Query per Attention-Destillation auf Hand-Objekt-Boxen von Grounding DINO gelenkt wird. Lehrermodelle und Kinematikzweig entfallen bei der Inferenz.
Im Benchmark RoboTwin 2.0 (50 Aufgaben, Aloha-AgileX-Arme, 100 Episoden je Aufgabe und Bedingung) erreichte das Gesamtmodell in sauberen Szenen 79,22 Prozent gegenüber 64,13 Prozent der feinjustierten pi0.5-Basis (plus 15,1 Punkte) und in randomisierten Szenen 52,84 gegenüber 36,15 Prozent (plus 16,7). Die reine Query-Variante war unter Randomisierung mit 65,15 Prozent am besten (plus 29,0), in sauberen Szenen aber nur bei 68,30 Prozent. Die mittlere TCP-Abweichung vom Expertenpfad sank von 5,3 auf 4,6 mm, die maximale von 7,7 auf 5,7 mm. In sauberen Szenen wirken beide Priors überadditiv: Geometrie allein bringt 3,61 Punkte, Queries allein 4,17, zusammen 15,09, also 7,3 Punkte mehr als die Summe (von MEKAWIRE nachgerechnet). Am realen Zweiarmroboter PiPER-X (rund 150 Demonstrationen je Aufgabe, 5 Seeds, je 30 Versuche) stieg die mittlere Erfolgsquote über vier lange Aufgaben um 14,2 Punkte, beim Wassermelonensaft von 56,7 auf 83,3 Prozent.
Es handelt sich um ein Preprint. Unter visueller Randomisierung liegt das Gesamtmodell 12,3 Punkte hinter der Query-Variante, die Autoren empfehlen daher je nach Einsatzbedingung unterschiedliche Varianten; die Verlustgewichte sind fest. Getestet wurden ein Simulationsbenchmark und eine reale Plattform, reale Einzelwerte außer dem Wassermelonensaft stehen nur in einer Grafik, und der lokale Prior hängt an einem Offline-Detektor. Die Basis wurde je Aufgabe mit 50 Demonstrationen feinjustiert, über Multi-Task- oder Roboterwechsel sagt das wenig.
Da die Methode im Betrieb nichts kostet, eignet sie sich für Integratoren und Hersteller, die pi0.5 oder ähnliche offene VLAs auf eigenen Zweiarmzellen feinjustieren, etwa in Kleinteilemontage, Kommissionierung oder Küche, wo Millimeter über den Griff entscheiden. Für europäische Anwender von Cobots in der Montage ist der Ansatz interessant, weil er Präzision ohne zusätzliche Laufzeit-Hardware verspricht. Relevant ist das außerdem für Physical Intelligence, für Armhersteller wie AgileX und für COWARobot als Geldgeber. Solche Trainingspriors dürften binnen eines Jahres in kommerzielle Feintuning-Werkzeuge einziehen.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.