Neues Modell RB‑VLA verbessert Vision‑Language‑Action bei langen Aufgaben

Ein neu entwickeltes Modell namens RB‑VLA verspricht, die Grenzen aktueller Vision‑Language‑Action‑Systeme (VLA) zu überwinden. Durch die Kombination einer belief‑zentrierten Architektur mit selbstüberwachenden Weltmodell‑Zielen schafft es RB‑VLA, die Aufgabe in langen, mehrstufigen Manipulationsaufgaben effizienter zu verfolgen.

Derzeit kämpfen VLA‑Modelle mit langen Zeithorizonten und partieller Beobachtbarkeit. Sie verlassen sich stark auf kurze Kontextfenster oder wiederholte Abfragen an Vision‑Language‑Modelle (VLMs), was zu Verlust des Aufgabenfortschritts, wiederholten Aktionen bei perceptual aliasing und hoher Inferenzlatenz führt. Das Hauptproblem liegt nicht in der semantischen Logik, sondern in fehlenden, persistenten, auf Aktionen konditionierten Zustandsdarstellungen.

RB‑VLA adressiert diese Schwächen, indem es einen kompakten latenten Zustand speichert, der die relevanten Beobachtungs­historie, Dynamik und Objektinteraktionen erfasst. Einmal abgefragt liefert das VLM die übergeordnete Aufgaben­intention, während das belief‑Modul den Fortschritt verfolgt und phasen‑sensiblen, kausal fundierten Steuerungs­fluss ermöglicht – ohne rohe Beobachtungen zu speichern oder den Speicherbedarf mit der Zeit zu erhöhen. Die Kombination aus belief und Intent konditioniert eine Diffusion‑Policy, die robuste, geschlossene Schleifen‑Ausführung gewährleistet.

In Benchmark‑Tests übertraf RB‑VLA frühere VLA‑Modelle deutlich: Es erzielte 52,5 % höhere Erfolgsraten bei mehrstufigen Pick‑and‑Place‑Aufgaben und 37,5 % bei Stapelaufgaben. Zusätzlich senkte es die Inferenzlatenz um bis zu das Fünffache und eliminiert die Speicher­wachstum‑Probleme, die bei bestehenden VLA‑Systemen beobachtet werden. Ablationsstudien verdeutlichen, dass das belief‑Modul der entscheidende Faktor für diese Verbesserungen ist.

Die Ergebnisse zeigen, dass ein belief‑zentrierter Ansatz die Leistungsfähigkeit von Vision‑Language‑Action‑Modellen in komplexen, langfristigen Manipulationsaufgaben signifikant steigern kann. RB‑VLA stellt damit einen wichtigen Schritt in Richtung effizienterer, skalierbarer KI‑gesteuerter Robotik dar.