PaceVLA: KAIST und RLWRLD steigern Paketdurchsatz eines Humanoiden um das 1,75-Fache
Ein Preprint von KAIST und dem Start-up RLWRLD lässt eine Roboterpolicy in jeder Phase selbst entscheiden, ob sie grob und schnell oder fein und langsam arbeitet. Der Humanoide ALLEX bewältigte am Förderband 6,3 statt 3,6 Pakete pro Minute, die Erfolgsquote stieg von 86 auf 94 Prozent.
Kann ein Vision-Language-Action-Modell (VLA) schneller arbeiten als die menschlichen Demonstrationen, aus denen es gelernt hat, ohne an Genauigkeit zu verlieren, indem es Zeitraster und Vorausschau seiner Aktionen je Aufgabenphase wählt?
VLA-Policies imitieren teleoperierte Demonstrationen. Bediener arbeiten über Eingabegeräte mit begrenzter Rate vorsichtig und langsam, also führt auch der trainierte Roboter im freien Raum viele kleine Schritte aus. Fasst man aufeinanderfolgende Aktionen zu größeren Befehlen zusammen, wird er schneller, verliert aber beim Greifen, Ablegen und bei Kontakt die nötige Feinmotorik.
Feste zeitliche Quantisierung nutzt über die ganze Trajektorie ein einziges Verhältnis. DemoSpeedup beschleunigt die Trainingsdaten anhand der Aktionsentropie einer Hilfspolicy, SAIL wechselt nach Bewegungs- und Greifersignalen zwischen festen Geschwindigkeiten. Alle Verfahren leiten das Tempo aus Aktionsstatistiken ab, nicht aus der Szene.
PaceVLA feinjustiert ein bestehendes Flow-Matching-VLA (NVIDIAs GR00T N1.5, in der Simulation auch RLWRLDs RLDX-1-IMG) und gibt dem gemeinsamen Action-Expert vier Ausgabedecoder: zwei feine und zwei quantisierte Modi mit je kurzem und langem Horizont. Ein Quantisierungsrichter, trainiert mit Labels eines großen Vision-Language-Modells, beurteilt aus Bild und Anweisung, ob grobe Ausführung gerade zulässig ist; ein Router wählt bei jedem Inferenzschritt einen Modus. Greifen und Ablegen laufen fein mit kurzem Horizont, Anfahren und Transport grob mit langem.
Am Humanoiden ALLEX mit 15-DoF-Händen und zehn Paketen je Durchgang stieg der Durchsatz gegenüber dem GR00T-N1.5-Basismodell von 3,6 auf 6,3 Pakete pro Minute (1,75-fach), die Erfolgsquote von 86 auf 94 Prozent; feste Quantisierung kam auf 4,2 pro Minute bei 72 Prozent, SAIL auf 4,3 bei 78 Prozent. An einem Franka-Arm (32 Versuche je Aufgabe) sank die Ausführungszeit beim Pick-and-Place um 37 Prozent (12,1 auf 7,6 Sekunden), bei der Heißluftfritteuse um 41 Prozent (24,6 auf 14,6 Sekunden) und beim Becherstapeln um 45 Prozent bei vergleichbarer Erfolgsquote; feste Quantisierung verlor dort 28,2 und 21,9 Prozentpunkte. Am zweiarmigen OpenArm mit 6-DoF-Händen sanken die Zeiten um 33 und 39 Prozent. Die Latenz je Schritt stieg auf einer RTX 5090 von 40,07 auf 42,15 Millisekunden.
Es handelt sich um ein Preprint. Die Realtests umfassen sechs Aufgaben mit je 32 Versuchen und nur eine Humanoid-Aufgabe, alle in eigenen Aufbauten der Autoren mit eigenen Demonstrationen (320 für das Förderband). Der Richter hängt an Labels eines großen Vision-Language-Modells. In der Simulation liegt PaceVLA teils unter dem Basismodell, etwa 45,0 gegen 48,5 Prozent bei RoboCasa-Pick-and-Place mit RLDX-1-IMG. Die Beschleunigung bezieht sich auf langsame Teleoperationsdaten, nicht auf von Hand optimierte Industrieprogramme.
Ob gelernte Policies programmierte Roboter in der Linie ersetzen, entscheidet die Taktzeit, und genau dort setzt die Arbeit an, ohne neue Hardware oder Daten. Für RLWRLD, dessen RLDX-Modelle verwendet werden, ist das unmittelbar relevant; da es sich um einen Feintuning-Zusatz mit rund fünf Prozent Mehraufwand bei der Inferenz handelt, können auch Anwender von GR00T-Policies profitieren. Für europäische Intralogistik-Integratoren und Anbieter wie NEURA oder Agile Robots zeigt das Ergebnis, dass sich der Durchsatz humanoider Systeme in ein bis zwei Jahren über Software spürbar heben lässt.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.