HAF-VLA: Gestufte Bewegungserzeugung hebt Humanoiden-Score auf 68,3 Prozent
Ein Humanoiden-VLA mit gestufter Ganzkörper-Bewegungserzeugung erreicht 68,3 Prozent in sechs realen Aufgaben, pi0.5 kommt auf 53,3 Prozent. Es nutzt vorhandene Gewichte weiter. Preprint.
Lässt sich ein für stationäre oder fahrende Roboter gebautes Vision-Language-Action-Modell auf einen zweibeinigen Humanoiden übertragen, wenn es Bewegungen in fester Reihenfolge erzeugt: Beine und Kopf, Hüfte, dann Arme und Hände?
Humanoide müssen Gehen, Haltung, Blick und zwei Arme koordinieren. Werden alle 26 Steuergrößen in einem Durchgang erzeugt, gleicht der Oberkörper Fehler von Basis und Hüfte aus, was Präzision und Stabilität kostet.
Generalistische Modelle wie pi0.5 erzeugen den gesamten Aktionsblock einstufig; NVIDIA GR00T N1.7, Cosmos Policy und das Imitationsverfahren ACT ordnen die Erzeugung nicht nach Körperteilen.
HAF-VLA übernimmt Encoder und Action Expert von pi0.5 und entrauscht in drei Stufen mit je 10 Schritten. Das Ergebnis jeder Stufe wird als KV-Cache an die nächste weitergegeben. Trainiert wurde mit 120 teleoperierten Demonstrationen je Aufgabe auf den Humanoiden Tian Gong 3.0 und 2.0.
Bei je 10 Versuchen am realen Roboter: 68,3 Prozent im Mittel gegenüber 53,3 (pi0.5), 37,8 (GR00T N1.7), 25,6 (ACT) und 25,0 Prozent (Cosmos Policy). Box Transfer 93,3 Prozent (pi0.5 60,0). Reihenfolge Beine, Hüfte, Arme 86,7 Prozent, Hüfte zuerst 70,0, Arme zuerst 60,0; pi0.5 mit 30 Schritten nur 30,0 Prozent. Bei 30 cm verschobenem Zieltisch 73,3 Prozent (pi0.5 40,0).
Die Autoren nennen höhere Latenz (0,123 s gegenüber 0,075 s). Getestet wurde nur an zwei Robotern eines Labors mit 10 Versuchen je Einstellung. Nicht begutachtetes Preprint.
Relevant für Humanoiden-Entwickler, die generalistische VLA-Modelle lizenzieren oder feinjustieren, auch in Europa, etwa bei NEURA Robotics. Die gestufte Erzeugung lässt sich ohne neues Grundmodell nachrüsten; die Latenz bleibt der Engpass für schnelle Industrieaufgaben.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.