El nuevo marco de acción Dual Process VLA (DP-VLA) se desarrolla con el objetivo de superar los desafíos actuales que enfrentan los modelos Vision-Language-Action (VLA) en robótica, especialmente en aplicaciones en tiempo real. Inspirado en la teoría del doble proceso de la psicología cognitiva humana, este sistema se divide en dos subsistemas: el Modelo del Sistema Grande 2 (L-Sys2) para la toma de decisiones complejas, y el Modelo del Sistema Pequeño 1 (S-Sys1) para el control motor en tiempo real. Esta separación tiene el propósito de mejorar la eficiencia computacional y la ejecución de tareas complejas.
Una de las principales contribuciones de DP-VLA es su capacidad para reducir significativamente la carga computacional al operar el L-Sys2 a frecuencias bajas, mientras que el S-Sys1 garantiza ejecuciones rápidas y precisas. Esto se logró gracias a los experimentos realizados con el dataset RoboCasa, que demostraron que DP-VLA no solo mejora la velocidad de inferencia, sino que también incrementa la tasa de éxito en tareas específicas comparado con otros modelos anteriores.
DP-VLA aprovecha modelos de lenguaje con visión (VLMs) y ha demostrado ser particularmente efectivo cuando se trata de adaptar las predicciones de acción a ambientes nuevos y diversos. Aspectos cruciales como la eficiencia en la manipulación robótica se optimizan mediante un diseño escalable que facilita las actualizaciones a modelos avanzados sin necesidad de modificar el sistema en su totalidad.
En términos de comparaciones, el método DP-VLA supera notablemente a los enfoques anteriores, especialmente en la ejecución de tareas de manipulaciones complejas como abrir puertas múltiples o proceder con acciones complejas bajo un entorno simulado diverso. Este enfoque no solo muestra mejoras en el tiempo de inferencia sino que además ofrece un aumento del 20.4% en la tasa de éxito respecto a otros métodos evaluados, a la vez que mantiene tiempos de procesamiento considerablemente bajos.
Se identificaron como cruciales en el proceso los datos de latentes extraídos durante la etapa de decodificación, evidenciando que estos contienen la información más relevante para el control preciso de acciones, lo cual reafirma la eficacia del enfoque dual de DP-VLA.
En conclusión, el marco DP-VLA representa un avance significativo hacia una robótica más eficiente en la ejecución de acciones donde la visión, el lenguaje y el movimiento deben integrarse de manera natural y fluida. A medida que los modelos VLM continúan evolucionando, DP-VLA se presenta como una solución versátil para manejar la tarea de manipulación robótica tanto en ambientes controlados como en situaciones complejas y variadas, lo que promete un futuro de colaboración más armoniosa entre humanos y robots.