MINERVA: How Small Can a Manipulation Policy Be and Still Solve LIBERO?
作者: Kohei Sendai, Tatsuya Matsushima, Yusuke Iwasawa
分类: cs.RO
发布日期: 2026-09-03
💡 一句话要点
提出MINERVA以解决LIBERO基准的模型容量问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 视觉-语言-动作 机器人操作 模型容量 高效策略 任务特定设计
📋 核心要点
- 现有的VLA模型在LIBERO基准中表现优异，但其实际所需的模型容量仍不清晰，导致资源浪费。
- 本文提出MINERVA，一个设计精简的视觉-动作策略，旨在测量LIBERO任务的容量下限，显著减少参数数量。
- 实验结果显示，54万参数的策略在LIBERO标准套件中实现95.1%的成功率，且在速度上远超现有模型，展示了高效性。
📝 摘要（中文）
视觉-语言-动作（VLA）模型在LIBERO操作基准中表现优异，但所需的模型容量尚不明确。本文提出MINERVA（最小高效机器人视觉-动作策略），旨在测量任务特定的容量下限。一个仅有54万参数的策略在2000次实验中实现了95.1%的平均成功率，尽管参数量比LeRobot $π_{0.5}$少7700倍，性能接近。实验表明，性能在接近100万参数时饱和，低于25万参数时则崩溃。此外，研究还发现标准LIBERO指令条件主要依赖于记忆任务，且该策略在没有GPU的情况下，每个控制步骤的重新规划速度达到5-9毫秒，显著高于现有方法。这些结果为LIBERO的任务特定容量下限提供了首次实证估计，并推动了容量感知设计和蒸馏的研究。
🔬 方法详解
问题定义：本文旨在解决LIBERO基准中对模型容量的需求不明确的问题。现有的VLA模型通常参数量庞大，导致计算资源浪费和效率低下。
核心思路：提出MINERVA，通过设计紧凑的视觉-动作策略，来探索在保持高成功率的同时，所需的最小参数量。此方法旨在为任务特定的容量下限提供实证依据。
技术框架：MINERVA策略包括多个模块，主要包括视觉输入处理、动作选择和策略优化。通过对不同架构和训练方法的广泛实验，确定了影响性能的关键因素。
关键创新：最重要的创新在于提出了一个仅有54万参数的策略，能够在LIBERO基准上接近现有最佳模型的性能，且在速度和资源使用上具有显著优势。
关键设计：在设计中，采用了特定的动作块长度和视觉容量设置，确保在不同训练种子下的稳定性。此外，研究还发现流匹配在性能上并未优于直接的L1回归，后者在GPU上速度提升可达3.8倍。通过任务ID的置换探测，验证了标准LIBERO指令条件的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，54万参数的MINERVA策略在LIBERO标准套件中实现了95.1%的成功率，距离最佳模型LeRobot $π_{0.5}$仅差2.4个百分点，同时在速度上比SmolVLA快113倍，比$π_{0.5}$快1400倍，展现了显著的性能提升。
🎯 应用场景
该研究的潜在应用领域包括机器人操作、自动化制造和智能家居等。通过优化模型容量和提高效率，MINERVA可以在资源受限的环境中实现高效的机器人控制，推动智能机器人技术的普及与应用。
📄 摘要（原文）
Vision-language-action (VLA) models with billions of parameters now dominate the LIBERO manipulation benchmark, but the model capacity actually required by the benchmark remains unclear. We introduce MINERVA (MINimal Efficient Robotic Vision-Action policy), a family of deliberately compact visuomotor policies designed to measure this task-specific capacity floor. A 0.54M-parameter policy achieves 95.1% average success over 2,000 rollouts on the four standard LIBERO suites, only 2.4 points below the reported LeRobot $π_{0.5}$ result despite using 7,700$\times$ fewer parameters. Performance saturates near 1M parameters and collapses below 0.25M. Across broad architectural, training, and inference sweeps, only action-chunk length and vision capacity consistently exceed a $\pm$1-point training-seed band. Flow matching provides no detectable advantage over direct L1 regression across three seeds, while regression is up to 3.8$\times$ faster on GPU. A task-ID permutation probe shows that standard LIBERO instruction conditioning primarily selects among memorized tasks: changing only the task-ID mapping reduces success to near chance. The same recipe achieves 94.6% success across 89 LIBERO-90 tasks, while LIBERO-Plus perturbations reduce performance to 46--56%, with near-zero robustness to photometric shifts. The 0.54M policy replans every control step in 5--9 ms per chunk on a laptop CPU, 113$\times$ faster than SmolVLA and 1,400$\times$ faster than $π_{0.5}$, without a GPU. These results establish a first empirical estimate of LIBERO's task-specific capacity floor and motivate capacity-aware design and distillation for deployment-efficient robot policies.