Echo: Coupled Action and Task Status Signal Denoising for Vision Language Action Models

Recognizing task completion and failure enables robots to stop upon success and initiate recovery or replanning after failure. Existing methods augment Vision Language Action (VLA) policies with task status signal prediction to support these execution decisions. However, learning and integrating these signals can require fine-grained supervision, external monitoring models, or complex architectural designs. Moreover, the potential of task status signals to directly guide action generation remains underexplored. We present Echo, a framework that combines task status signal learning without frame-level progress annotations with a compact design for status prediction and action generation within a single VLA. Specifically, Echo represents task status with stop and failure signals, added as two dimensions of each action chunk and denoised together with robot actions. Their combination distinguishes ongoing execution, successful completion, and failure. To learn these signals without fine-grained progress annotations, Echo constructs successful, failed, and recovery trajectories with complementary supervision properties. To enable status signal-guided action generation, Echo controls interactions between the signals and actions and denoises the signals faster than the actions. These allow later action denoising steps to condition on cleaner status estimates while preserving accurate signal prediction. Extensive real-world manipulation experiments show that Echo accurately predicts task status and consistently improves policy performance.

한 줄 요약

Echo는 단일 VLA 내에서 작업 상태 신호와 동작을 결합하여 정확한 작업 완료 및 실패 예측을 실현하는 프레임워크이다.

핵심 기여도

Echo는 stop signal (SS)과 failure signal (FS)을 각 동작 청크의 두 차원으로 추가하여, 추가 파라미터 없이 작업 상태를 표현한다.
frame-level progress annotation 없이 성공, 실패, 복구 궤적을 활용한 새로운 감독 방식을 제안한다.
비동기식 denoising을 도입하여, 신호가 동작 생성에 직접적으로 영향을 미치도록 한다.
실험적으로 5개의 실제 세계 조작 작업에서 Echo가 기존 동작 기반 베이스라인 대비 성능을 개선함을 보인다.

핵심 아이디어

기존 VLA 정책은 작업 상태를 예측하기 위해 외부 모니터링 모델이나 세부 감독이 필요하다. Echo는 이를 단일 VLA 내에서 해결하며, SS와 FS를 각 동작 청크의 추가 차원으로 포함하여 작업 상태를 동시에 denoising한다. SS는 실행 종료 여부를, FS는 실패 상태 여부를 나타내며, 이들의 조합으로 실행 중, 성공, 실패를 구분한다. Echo는 frame-level annotation 없이 성공, 실패, 복구 궤적을 활용하여 신호를 학습하며, 신호와 동작 간 상호작용을 제어하고, 신호의 denoising 속도를 동작보다 빠르게 설정함으로써, 후속 동작 생성 단계에서 더 깨끗한 상태 추정치를 활용할 수 있도록 한다.

기술적 접근법

**모듈명**: stop signal (SS), failure signal (FS)
**데이터**: 성공 궤적, 실패 궤적, 복구 궤적 (subtask-level prompt + 성공/실패 라벨)
**알고리즘**: 신호와 동작을 결합한 denoising, 비동기식 denoising (신호 denoising이 동작 denoising보다 빠름)
**하이퍼파라미터**: 추가 파라미터 없이 기존 VLA의 시각, 언어, 로봇 상태 특성을 재사용
**학습 전략**: frame-level progress annotation 없이, 실패 궤적은 복구 동작과 결합하여 감독

주요 결과

실험 환경: 5개의 실제 세계 조작 작업
성능 개선: 기존 동작 기반 베이스라인 대비 정확도 향상 (명시되지 않음)
out-of-distribution (OOD) 성능: 더 큰 성능 향상 보임
실패 데이터 확장 분석: 실패 데이터의 양에 따라 예측 및 실행 성능이 달라짐

의의 및 한계

Echo는 단일 VLA 내에서 작업 상태 신호를 학습하고 동작 생성에 직접 활용함으로써, 외부 모니터링 모델이나 세부 감독을 필요로 하지 않는 새로운 접근법을 제시한다. 특히, 비동기식 denoising을 통해 신호와 동작 간의 상호작용을 정교하게 제어함으로써, 정확한 상태 예측과 동시에 동작 품질을 향상시킨다. 그러나 실험은 5개의 특정 작업에 국한되었으며, 더 다양한 작업 환경에서의 일반화 가능성은 추가 연구가 필요하다.

실용적 활용

Echo는 로봇이 작업 성공 시 정지하거나 실패 시 복구/재계획을 수행하는 데 적합한 프레임워크로, 산업 자동화, 서비스 로봇, 의료 로봇 등에서 실용적 활용이 가능하다. 특히, 복잡한 작업 환경에서 정확한 상태 인식과 신속한 대응이 요구되는 상황에 유용하다.