연구진은 Vision-Language-Action(VLA) 모델의 정책 실행 빈도를 줄이면서 시간적 일관성을 유지하기 위해 액션 청크 메커니즘을 사용하는 방식의 한계를 지적했어요.
VLA-Corrector는 백본 정책 가중치를 수정하지 않고, Latent-space Vision Monitor(LVM)를 도입하여 예측과 실제 시각적 특징 변화를 비교하고 시각적 역학 변화를 감지하는 경량화된 수정 추론 프레임워크예요.
VLA-Corrector는 감지 및 수정 메커니즘을 통해 이벤트 기반 적응형 액션 호라이즌을 유도하며, 장기 실행 시 안정성을 유지하고 실행이 벗어날 경우 단기 수정 재계획을 실행하여 복합 오류를 완화하고 로봇 조작의 강건성을 향상시켰어요.