CorridorVLA: 희소 앵커를 사용한 생성적 액션 헤드의 명시적인 공간 제약

CorridorVLA: Explicit Spatial Constraints for Generative Action Heads via Sparse Anchors

비전-언어-액션 (VLA) 모델은 종종 다중 모드 입력을 연속적인 제어로 연결하기 위해 중간 표현을 사용하지만, 공간적 지침은 종종 잠재 특징을 통해 암시적으로 주입됩니다. 본 논문에서는 $CorridorVLA$를 제안합니다. $CorridorVLA$는 희소한 공간 앵커를 점진적인 물리적 변화 (예: $Δ$-위치)로 예측하고, 이를 사용하여 액션 생성의 학습 목표에서 명시적인 허용 영역을 설정합니다. 이러한 앵커는 액션 헤드의 공간적 진화를 안내하는 '통로'를 정의하며, 이 통로 밖의 궤적은 교정 그래디언트를 받고, 접촉 및 실행 과정에서의 미세한 편차는 허용됩니다. 더 어려운 LIBERO-Plus 벤치마크에서, $CorridorVLA$는 SmolVLA 및 GR00T 모델 모두에서 일관된 성능 향상을 보이며, 성공률을 해당 기준 모델에 비해 $3.4$%에서 $12.4$%까지 향상시킵니다. 특히, 저희의 GR00T-Corr 모델은 $83.21$%의 성공률을 달성했습니다. 이러한 결과는 액션과 관련된 물리적 신호가 생성적 액션 정책에 직접적이고 해석 가능한 제약을 제공할 수 있으며, 시각적 또는 잠재적 형태로 인코딩된 공간적 지침을 보완할 수 있음을 시사합니다. 코드 및 관련 정보는 https://github.com/corridorVLA 에서 확인할 수 있습니다.

Vision--Language--Action (VLA) models often use intermediate representations to connect multimodal inputs with continuous control, yet spatial guidance is often injected implicitly through latent features. We propose $CorridorVLA$, which predicts sparse spatial anchors as incremental physical changes (e.g., $Δ$-positions) and uses them to impose an explicit tolerance region in the training objective for action generation. The anchors define a corridor that guides a flow-matching action head: trajectories whose implied spatial evolution falls outside it receive corrective gradients, while minor deviations from contacts and execution noise are permitted. On the more challenging LIBERO-Plus benchmark, CorridorVLA yields consistent gains across both SmolVLA and GR00T, improving success rate by $3.4\%$--$12.4\%$ over the corresponding baselines; notably, our GR00T-Corr variant reaches a success rate of $83.21\%$. These results indicate that action-aligned physical cues can provide direct and interpretable constraints for generative action policies, complementing spatial guidance encoded in visual or latent forms. Code is available at https://github.com/corridorVLA.