StableVLA: Modelos robustos de Visión-Lenguaje-Acción con alta eficiencia de datos | Cómo mejorar la estabilidad de agentes robóticos basados en LLMs | Aprendizaje de acciones robustas para robótica inteligente mediante alineación latente

Abstract

PROBLEMA: Los modelos Visión-Lenguaje-Acción (VLA) suelen requerir conjuntos de datos masivos y costosos de interacciones robóticas reales, y a menudo sufren de inestabilidad durante el ajuste fino, lo que degrada el rendimiento en tareas del mundo real. SOLUCIÓN: StableVLA propone un marco de entrenamiento que mejora la robustez y eficacia del modelo sin depender de datos adicionales, optimizando la alineación entre las instrucciones de texto y las señales visuales-motrices. METODOLOGÍA: Utilizan una técnica de anclaje de representaciones que preserva el conocimiento pre-entrenado mientras se especializa en el control de acciones de baja latencia. RESULTADOS: Logran una tasa de éxito de ejecución un 25% mayor en entornos con ruido visual comparado con modelos VLA estándar de tamaño equivalente. RELEVANCIA: Esencial para democratizar el entrenamiento de robots inteligentes mediante el uso eficiente de modelos pre-entrenados sin recolección masiva de datos nuevos.