πR² Permite que los Robots Reaccionen en Tiempo Real sin Reentrenamiento

Las políticas de visión-lenguaje-acción a gran escala como GR00T-N1.7 compran generalización a un costo operacional pronunciado: el pipeline de percepción a acción es demasiado lento para replanificar en cada ciclo de control, así que cada política se compromete con un chunk de acción y lo ejecuta en bucle abierto hasta que llega el siguiente chunk. En tarefas dextras como atrapar un libro, 40ms de sensado desactualizado es suficiente para perder un pico de fuerza y soltar el objeto. Un artículo de CMU publicado el 28 de julio presenta πR² (pi-R-cuadrado), un método solo de fine-tuning que hace que las políticas en chunks sean reactivas sin reentrenar el backbone.

El problema central acopla tres opciones de diseño estándar: predicción de acciones en chunks, denoising iterativo por chunk y un backbone VLM grande. Cada uno ralentiza la replanificación; juntos significan que solicitar un nuevo chunk durante la ejecución detiene el robot. Replanificar más frecuentemente es impractico—generar un nuevo chunk toma más tiempo que un único ciclo de control.

πR² rompe el acoplamiento con dos cambios. Primero, divide el acondicionamiento en un canal rápido y un canal lento. La propiocepción (estado articular, torque, fuerza en la punta del dedo) se inyecta fresca en cada paso de denoising. Las características de visión y lenguaje se actualizan asincronamente; un embedding de retraso aprendido le dice a la política qué tan desactualizado está el contexto visual en lugar de pretender que es actual. El método utiliza diffusion forcing, que asigna niveles de ruido por posición en el buffer de acciones, permitiendo que las posiciones tempranas se comprometan mientras que las posteriores permanecen inciertas.

Segundo, un cronograma de ruido adaptativo a la latencia—los autores lo llaman una escalera—maneja el hecho de que la inferencia toma tiempo. Dado el retraso de hardware medido d (en ciclos de control), el cronograma divide el buffer de acciones en tres regiones: un frente limpio de d acciones en vuelo utilizadas como acondicionamiento, una rampa que transiciona de limpio a ruidoso para que un paso de denoising emita exactamente d acciones terminadas, y una cola ruidosa de d slots frescos añadidos conforme el buffer avanza. Un pase hacia adelante siempre emite el número correcto de acciones para mantener el robot funcionando a su tasa de control natural, ya sea d 1 paso en una GPU rápida o 5 pasos en una lenta. El mismo checkpoint se adapta a cualquier GPU de despliegue sin reentrenamiento.

Aplicado a GR00T-N1.7 en un xArm6+XHand, πR² replanifica a 25 Hz en una NVIDIA A5000—4× más rápido que la política base—con cada acción acondicionada en una observación no más antigua que 40ms. En cuatro tareas del mundo real (Catch Book, Insert Box, Tidy Up Book, Don't Spill), πR² supera Train-Time RTC tanto en tasa de éxito como en progreso de subobjetivo. Los rastros de fuerza son más claros: cuando un libro aterriza, πR² cierra los dedos dentro de un ciclo de control conforme el sensor de fuerza de la punta del dedo se dispara; RTC reacciona medio segundo más tarde y el libro se resbala.

En simulación en distintos presupuestos de latencia, πR² mejora la tasa de éxito hasta en 23% sobre la línea de base más fuerte. En el mundo real el margen alcanza 30%. Ambos son relativos a Train-Time RTC, el mejor método anterior, no a la inferencia síncrona sin modificar.

La ruta de despliegue es solo fine-tuning: el backbone se congela y el cronograma de ruído y embedding de retraso se añaden encima de un checkpoint de política de flujo existente. Los equipos que ya ejecutan GR00T-N1.7 pueden desplegar πR² como un fine-tune sin recabar nuevos datos ni reconstruir el stack de entrenamiento.

Si su política de manipulación suelta objetos durante transiciones ricas en contacto, el cuello de botella es propiocepción desactualizada, no escala del modelo. πR² aborda esto con un fine-tune, no un nuevo backbone.