ACG: Actiecoherentiesturing voor stroomgebaseerde VLA-modellen

ACG: Action Coherence Guidance for Flow-based VLA models

October 25, 2025

Auteurs: Minho Park, Kinam Kim, Junha Hyung, Hyojin Jang, Hoiyeong Jin, Jooyeol Yun, Hojoon Lee, Jaegul Choo

cs.AI

Samenvatting

Diffusie- en flow matching-modellen zijn opgekomen als krachtige robotbeleidsmodellen, waardoor Vision-Language-Action (VLA)-modellen kunnen generaliseren over diverse scènes en instructies. Wanneer ze echter via imitatieleren worden getraind, maakt hun hoge generatieve capaciteit ze gevoelig voor ruis in menselijke demonstraties: schokken, pauzes en trillingen die de actiecoherentie verminderen. Verminderde actiecoherentie veroorzaakt instabiliteit en trajectdrift tijdens de inzet, fouten die catastrofaal zijn bij fijnmazige manipulatie waar precisie cruciaal is. In dit artikel presenteren we Action Coherence Guidance (ACG) voor VLA-modellen, een trainingsvrij testtijd-begeleidingsalgoritme dat de actiecoherentie verbetert en daardoor prestatieverbeteringen oplevert. Geëvalueerd op RoboCasa, DexMimicGen en real-world SO-101-taken, verbetert ACG consistent de actiecoherentie en verhoogt het de slagingspercentages bij diverse manipulatietaken. Code en projectpagina zijn beschikbaar op respectievelijk https://github.com/DAVIAN-Robotics/ACG en https://DAVIAN-Robotics.github.io/ACG.

English

Diffusion and flow matching models have emerged as powerful robot policies, enabling Vision-Language-Action (VLA) models to generalize across diverse scenes and instructions. Yet, when trained via imitation learning, their high generative capacity makes them sensitive to noise in human demonstrations: jerks, pauses, and jitter which reduce action coherence. Reduced action coherence causes instability and trajectory drift during deployment, failures that are catastrophic in fine-grained manipulation where precision is crucial. In this paper, we present Action Coherence Guidance (ACG) for VLA models, a training-free test-time guidance algorithm that improves action coherence and thereby yields performance gains. Evaluated on RoboCasa, DexMimicGen, and real-world SO-101 tasks, ACG consistently improves action coherence and boosts success rates across diverse manipulation tasks. Code and project page are available at https://github.com/DAVIAN-Robotics/ACG and https://DAVIAN-Robotics.github.io/ACG , respectively.