Mengapa Kedalaman Tidak Selalu Membantu Robot
Dalam model "visi-bahasa-tindakan" (VLA) modern, sudah menjadi aturan umum: semakin dalam lapisan backbone vision-language, semakin abstrak dan, dianggap, semakin berguna representasi tersebut untuk kontrol. Namun, manipulasi robotik bukanlah satu penalaran besar, melainkan serangkaian koreksi spasial loop tertutup yang sering terjadi. Untuk itu, abstraksi berlebihan sering kali menjadi mubazir: ia membutuhkan lebih banyak komputasi dan menghilangkan detail geometris tingkat rendah yang tanpanya kontrol presisi mustahil dilakukan.
Bayangkan robot meraih cangkir. Pada setiap bingkai, ia perlu melakukan penyesuaian kecil pada lintasannya, dan penyesuaian ini bergantung pada posisi objek yang tepat. Jika model mengabstraksikan data masukan terlalu dalam, ia mungkin "tidak melihat" sudut atau pergeseran yang dibutuhkan. Dan jika setiap kali harus menghitung ulang semuanya dari awal — waktu untuk kontrol nyata tidak akan cukup.
Cara-cara yang ada untuk menghemat sumber daya dalam jaringan semacam itu — keluar lebih awal pada lapisan yang telah dipilih sebelumnya atau heuristik seperti memeriksa konsistensi tindakan pada langkah-langkah yang berdekatan. Namun, cara-cara ini tidak menjawab pertanyaan kunci: apakah representasi saat ini cukup untuk mengambil tindakan yang benar tepat pada saat ini? Biasanya keputusan dibuat berdasarkan aturan eksternal, bukan berdasarkan isi data itu sendiri.
Oleh karena itu, sekelompok penulis mengusulkan arsitektur LoopVLA, yang mencoba memformalkan "momen ketika bisa berhenti" dan menanamkannya langsung ke dalam proses pelatihan.
Penyempurnaan Berulang dengan Penilaian Kecukupan
Ide LoopVLA — alih-alih rantai lapisan yang kaku, gunakan loop berulang. Blok Transformer yang sama diterapkan pada token multimodal beberapa kali, secara bertahap menyempurnakan representasi. Pada setiap iterasi, model menghasilkan dua keluaran: tindakan kandidat dan sufficiency score — angka yang memprediksi apakah penyempurnaan perlu dilanjutkan.
Ini seperti dialog internal model dengan dirinya sendiri: pada lintasan pertama, ia bertindak cepat, tetapi mungkin kurang akurat; pada lintasan kedua — sudah lebih percaya diri, tetapi mungkin masih ragu. Sufficiency score adalah indikator kepercayaan diri ini.
Parameter bersama di semua iterasi — perbedaan mendasar dari jaringan dalam klasik. Model tidak lagi terikat pada nomor lapisan absolut: yang lebih penting adalah apa yang terjadi pada representasi itu sendiri. Ini memungkinkan berhenti di titik yang berbeda untuk contoh yang berbeda, berdasarkan dinamika perubahan vektor status yang berevolusi. Untuk setiap iterasi, model menggunakan kumpulan parameter yang sama, sehingga pelatihan menjadi stabil dan tidak memerlukan penyesuaian terpisah pada jumlah langkah. Pada tahap inferensi, loop dapat dijalankan dengan jumlah yang berbeda untuk contoh yang berbeda, yang secara efektif menjadikan model adaptif terhadap kompleksitas.
Bagaimana Model Diajari Memahami Kecukupan
Anotasi langsung "di sinilah kamu bisa berhenti" tidak ada. Oleh karena itu, penulis menerapkan teknik self-supervised — mereka menyelaraskan distribusi skor kepercayaan dengan kualitas relatif tindakan pada iterasi yang berdekatan. Sederhananya, sufficiency scores antara mulai sesuai dengan seberapa baik atau buruknya tindakan saat ini dibandingkan dengan tindakan dari lintasan sebelumnya. Dengan demikian, sinyal tentang kecukupan datang dari kebijakan itu sendiri, bukan dari anotasi eksternal.
Hasilnya, rangkaian "penyempurnaan representasi → prediksi tindakan → penilaian kecukupan" dilatih sebagai satu sistem terpadu, di mana keputusan untuk berhenti terkait langsung dengan fungsi tujuan kontrol. Ini dapat dibayangkan sebagai distilasi kepercayaan diri: model mentransfer pengetahuan tentang kapan tindakan sudah cukup baik, dari iterasi yang lebih akhir ke iterasi yang lebih awal. Ini memungkinkan model sejak tahap awal memahami apakah pekerjaan lebih lanjut diperlukan.
Apa Manfaatnya dalam Praktik
Dalam eksperimen pada tiga benchmark — LIBERO, LIBERO-Plus, dan VLA-Arena — model menunjukkan bahwa penghentian cerdas benar-benar berfungsi. LoopVLA mengurangi jumlah parameter sebesar 45% dan meningkatkan throughput inferensi hingga 1,7 kali dibandingkan dengan kebijakan VLA dasar yang kuat. Pada saat yang sama, tingkat keberhasilan penyelesaian tugas tidak menurun, dan dalam beberapa kasus bahkan meningkat.
Jika diterjemahkan ke dalam bahasa robotika terapan, hasilnya adalah keuntungan ganda:
- Pengurangan beban komputasi: lebih sedikit operasi pada setiap langkah kontrol, yang sangat penting untuk sistem terpasang.
- Mempertahankan akurasi: model tidak kehilangan detail geometris di tempat yang kritis, dan tidak membuang sumber daya di tempat yang cukup dengan abstraksi kasar.
Hasil ini sangat penting untuk sistem nyata di mana sumber daya komputasi terbatas, misalnya, untuk robot bergerak atau manipulator industri. Kemampuan untuk berhenti secara dinamis memungkinkan penggunaan energi yang lebih efisien dan respons yang lebih cepat terhadap perubahan lingkungan. Menariknya, penghematan parameter dicapai bukan dengan menyederhanakan arsitektur, tetapi dengan penggunaan komponen yang sudah ada secara lebih rasional. Blok berulang dengan bobot bersama — ini bukan model kecil, melainkan model yang tahu kapan harus berhenti.
Kesimpulan
LoopVLA adalah contoh bagaimana meninggalkan dogma "semakin dalam semakin baik" demi kontrol komputasi adaptif dapat meningkatkan kinerja dan efisiensi. Model belajar berhenti tepat waktu, dan ini ternyata lebih produktif daripada pendalaman jaringan tanpa syarat. Pendekatan ini membuka jalan menuju sistem VLA yang lebih praktis untuk robot nyata, di mana setiap milidetik dan setiap watt sangat berharga.
