CF-VLA: 비전-언어-행동 정책 (VLA) 을 위한 효율적인 거칠고 세밀한 행동 생성

Flow 기반 비전-언어-행동 (Vision-Language-Action, VLA) 정책은 행동 생성에 강력한 표현력을 제공하지만, 근본적인 비효율성을 겪습니다. 정보 없는 가우시안 노이즈에서 행동 구조를 복원하기 위해 다단계 추론이 필요하여, 실시간 제약 하에서 효율성과 품질 간의 트레이드오프가 낮아집니다. 우리는 생성적 행동 모델링에서 시작점의 역할을 재고함으로써 이 문제를 해결합니다. 샘플링 궤적을 짧게 만드는 대신, CF-VLA 를 제안합니다. 이는 거칠고 세밀한 (coarse-to-fine) 2 단계 구성으로, 행동 생성을 '행동 인식형 시작점을 구축하는 거친 초기화 단계'와 그로부터의 잔차 오류를 수정하는 '단일 단계 로컬 리파인먼트'로 재구성합니다. 구체적으로, 거친 단계는 가우시안 노이즈를 구조화된 초기화로 변환하기 위해 엔드포인트 속도 (endpoint velocity) 에 대한 조건부 후행분포 (conditional posterior) 를 학습하며, 세밀한 단계는 이 초기화로부터 고정 시간 리파인먼트를 수행합니다. 훈련을 안정화시키기 위해 먼저 제어된 거친 예측기 (controlled coarse predictor) 를 학습한 다음 합동 최적화 (joint optimization) 를 수행하는 단계별 전략 (stepwise strategy) 을 도입합니다. CALVIN 과 LIBERO 에서의 실험 결과, 저 NFE (Number of Function Evaluations) 영역에서 우리 방법은 강력한 효율성-성능 프론티어 (efficiency-performance frontier) 를 확립했습니다: 기존 NFE=2 방법보다 일관되게 우수하며, 여러 지표에서 NFE=10 $π_{0.5}$ 베이스라인과 맞먹거나 이를 능가합니다. 행동 샘플링 지연 시간을 75.4% 줄이고, 평균 실제 로봇 성공률 83.0% 를 달성하여 MIP 보다 19.5 포인트, $π_{0.5}$ 보다 4.0 포인트 높은 성과를 보였습니다. 이러한 결과는 구조화된 거칠고 세밀한 생성이 강력한 성능과 효율적인 추론을 동시에 가능함을 시사합니다. 코드는 https://github.com/EmbodiedAI-RoboTron/CF-VLA 에서 이용 가능합니다.