ChainVLA: 통일된 실행 상태를 통한 시각-언어-행동 질의 연결을 활용한 장기 계획 조작

ChainVLA: Chaining Vision-Language-Action Queries through a Unified Execution State for Long-Horizon Manipulation

사람은 이전 행동이 설정한 내용을 기억하면서 동시에 진행 중인 동작을 지속적으로 조정하여 장기적인 조작을 수행합니다. 반면, 액션 단위로 분할된 시각-언어-행동(VLA) 정책은 각 질의마다 현재 입력을 기반으로 반복적으로 재계획합니다. 기존 방법들은 메모리를 통해 장기적인 작업 정보를 유지하거나, 행동 재사용 및 앙상블을 통해 단기적인 동작을 보존하지만, 질의 간의 정보 전달이 완벽하게 이루어지지 않습니다. 본 논문에서는 12억 개의 파라미터를 가진 VLA 정책인 ChainVLA를 소개합니다. ChainVLA는 연속적인 질의들을 공유되고 수정 가능한 실행 상태를 통해 연결합니다. Progress Context는 순환형 Working State와 희소 이벤트 메모리를 결합하여 관찰로부터 얻은 작업 진행 상황을 전달하며, Motion Tail은 이전 예측의 미실행된 부분을 상태 구성 및 행동 생성에 활용합니다. 이 두 가지 구성 요소는 최신 관찰 정보를 바탕으로 각 행동 범위를 재생성하는 디코더를 조건짓습니다. 이를 통해 전달된 상태가 다음 예측을 안내하지만 고정하지 않습니다. ChainVLA는 RMBench에서 62.8%의 평균 성공률, 그리고 LIBERO 스위트 4개에서 98.8%의 높은 성공률을 달성했습니다. 반면, Motion Tail 또는 Progress Context를 제거하면 RMBench의 성공률이 각각 11.2%와 3.0%로 크게 감소합니다. 이러한 비대칭적인 성능 저하는 동작 연속성이 관찰 스트림을 유지하여 작업 진행 상황 추론에 기여한다는 점과 일관됩니다.

Humans perform long-horizon manipulation by retaining knowledge of what earlier actions have established while continuously adapting the motion underway. By contrast, action-chunked vision-language-action (VLA) policies repeatedly replan from the current input at each query. Existing methods preserve either long-term task evidence through memory or short-term motion through action reuse and ensembling, leaving the cross-query handoff incomplete. We introduce ChainVLA, a 1.2B-parameter VLA policy that chains successive queries through a joint and revisable execution state. Progress Context combines a recurrent Working State with sparse event memory to carry observation-derived task progress, while Motion Tail feeds the preceding prediction's unexecuted continuation into state construction and action generation. Together, the two components condition a decoder that regenerates each action horizon under the latest observation, allowing the carried state to guide the next prediction without fixing it. ChainVLA reaches 62.8% average success on RMBench and 98.8% across four LIBERO suites, while removing Motion Tail or Progress Context reduces RMBench success to 11.2% and 3.0%, respectively. These asymmetric ablations are consistent with motion continuity helping preserve the observation stream from which task progress is inferred.