چارچوبی برای جداکردن استدلال زبانی از کنترل سریع ربات

بزرگ‌ترشدن مدل‌های پایهٔ بینایی‌ـ‌زبان، توانایی ربات‌های همه‌منظوره در دست‌کاری اشیا را بهبود داده، اما تأخیر محاسباتی آن‌ها می‌تواند واکنش‌پذیری ربات در دنیای واقعی را کاهش دهد. نویسندگان پیش‌چاپی در arXiv می‌گویند معماری‌های فعلی Vision-Language-Action (VLA) استدلال معنایی سطح بالا و اجرای حرکت را در یک حلقهٔ کنترل، پشت سر هم انجام می‌دهند؛ وضعیتی که میان توان استدلال و چابکی ربات تنش ایجاد می‌کند.

راهکار پیشنهادی آن‌ها، Asynchronous Robot Policy (ARP)، استدلال معنایی و تولید فرمان‌های حرکتی کم‌سطح را به فرایندهایی مستقل با نرخ‌های کاری متفاوت می‌سپارد. بخش در دسترس چکیده می‌گوید یک مدل پرظرفیت Vision-Language Model به‌صورت ناهمگام به‌روزرسانی می‌شود، اما جزئیات ادامهٔ سازوکار یا نتایج آزمایش‌ها در متن ارائه‌شده موجود نیست. این مقاله در arXiv به‌عنوان پیش‌چاپ منتشر شده است.