JitterVLA: A Replay Benchmark for Motion Quality in VLA-Driven Human-Robot Manipulation
作者: Faith Ogunwoye, Didar Seyidov, Konstantin Gubernatorov, Dzmitry Tsetserukou
分类: cs.RO, cs.HC, cs.LG
发布日期: 2026-10-09
备注: 5 pages, 4 figures, 3 tables. Project page: https://faithogunwoye.github.io/JitterVLA/
💡 一句话要点
提出JitterVLA以解决VLA驱动人机操作中的运动质量问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 视觉-语言-动作 人机协作 运动质量 抖动降低 机器人控制
📋 核心要点
- 现有的VLA策略在目标到达控制器时存在延迟和不规则性，导致机器人在靠近人类时产生不平滑的运动。
- JitterVLA通过重放命令和到达轨迹，评估不同控制器的效果，从而隔离控制器对运动质量的影响。
- 实验结果显示，插值方法显著降低了抖动，且在UR3机器人上验证了其有效性，提升了运动平滑度。
📝 摘要（中文）
视觉-语言-动作（VLA）策略发出的稀疏目标到达机器人控制器的延迟和不规则性，可能导致在靠近人类时产生突兀的运动。JitterVLA通过重放相同的命令和到达轨迹，评估不同控制器的效果。实验表明，插值方法在200毫秒延迟下将人类运动的p99抖动降低了83%，并在598个新实验中得到了验证。该方法在UR3机器人上也显示出3.0-14.0%的抖动降低效果。JitterVLA为人本研究提供了筛选支持，相关代码和数据将被发布。
🔬 方法详解
问题定义：本论文旨在解决VLA驱动的人机操作中，由于目标到达延迟和不规则性导致的运动质量问题。现有方法未能有效处理这些延迟，导致机器人运动不平滑，尤其是在靠近人类时。
核心思路：JitterVLA的核心思路是重放相同的命令和到达轨迹，通过不同的控制器评估其对运动质量的影响，从而找出最佳的控制策略以减少抖动。
技术框架：整体架构包括命令重放模块、控制器评估模块和运动质量测量模块。首先重放命令，然后通过不同控制器执行，并测量运动质量指标，如抖动和加速度。
关键创新：最重要的技术创新在于通过插值方法显著降低了抖动，尤其是在处理人类运动时，较现有方法在相同条件下表现出更好的平滑性。
关键设计：在实验中，设置了不同的延迟时间（如200毫秒），并使用了多种控制器进行对比。损失函数设计考虑了抖动和跟踪成本，确保在降低抖动的同时保持运动的准确性。实验还涉及到熵不连续性与控制效果的关联，提供了新的视角。
🖼️ 关键图片
📊 实验亮点
实验结果显示，插值方法在200毫秒延迟下将人类运动的p99抖动从615降低至106 m/s^3，提升幅度达到83%。在UR3机器人上，抖动降低幅度为3.0-14.0%，显示出该方法在不同平台上的有效性。
🎯 应用场景
该研究的潜在应用领域包括人机协作、服务机器人和医疗机器人等场景，能够提升机器人在动态环境中的运动质量，确保人机交互的安全性和流畅性。未来，该方法有望在更多实际应用中推广，改善机器人在复杂环境中的表现。
📄 摘要（原文）
Vision-language-action (VLA) policies issue sparse targets whose arrival at the robot controller is delayed and irregular, so a reasonable predicted action can still produce abrupt motion near people. Remedies are evaluated on different streams, delays and metrics. JitterVLA replays identical commands and arrival traces through alternative controllers, isolating the controller's effect. We apply it to synthetic reaches, hand trajectories from 20 people, three open VLA pipelines (838 episodes) and a physical UR3. Interpolation lowered modeled p99 jerk for every source, by 83% (615 to 106 m/s^3) on human motion with 200 ms delay, at a 2.0 cm tracking cost, and the effect replicated on 598 new episodes; jerk-limited generation lowered jerk further at a larger cost. Entropy-discontinuity associations had opposite, replicated signs in two pipelines, and entropy gating helped in one but not the other. On the UR3, interpolation lowered accelerometer-derived jerk by 3.0-14.0% in all six exploratory pairs, while a position-derived metric did not resolve the contrast. JitterVLA supports screening before human-centred studies; code and data will be released.