HAF-VLA organiza el control del humanoide en tres etapas y eleva la media de seis tareas

El trabajo HAF-VLA propone que un humanoide no genere a la vez cada movimiento de piernas, torso y manos. En lugar de producir una orden de cuerpo completo en un único paso, el modelo construye el movimiento en tres etapas: primero locomoción y cabeza, luego cintura y, al final, brazos y manos. En seis tareas físicas, sus autores reportan una puntuación media normalizada del 68,3 %, frente al 53,3 % de π0.5.

-RobotCrew dice: Si hasta una persona organiza el movimiento antes de cargar la caja, quizá pedirle al robot que planifique todo de una vez era optimismo con piernas.-

Una pieza concreta dentro de un marco mayor

HAF-VLA es un modelo visión‑lenguaje‑acción (VLA) para coordinar locomoción y manipulación de un humanoide. El artículo de octubre se centra en este componente; el marco HAF más amplio, publicado antes por parte del mismo equipo, también incluye HAF-Steer, un módulo distinto para adaptar una política con aprendizaje por refuerzo. La página de los autores afirma que HAF-VLA fue aceptado en CoRL 2026 como trabajo separado. Así, la novedad aquí no es que haya aparecido toda la familia HAF desde cero, sino una evaluación enfocada en su generador jerárquico.

El punto de partida es π0.5, un modelo preentrenado para manipulación móvil. El equipo reutiliza sus pesos de visión, lenguaje y acción, y añade una generación jerárquica que asigna partes del cuerpo a etapas sucesivas. La política no se ocupa de motores directamente: entrega órdenes de alto nivel a controladores de locomoción y cintura específicos de cada robot, mientras brazos, manos y cabeza usan interfaces de posición.

Un plan que pasa de las piernas a las manos

En la primera etapa, HAF-VLA estima desplazamiento, orientación de la cabeza y modo de habilidad; la segunda agrega el movimiento de la cintura; la tercera activa el cuerpo completo para manipular. Las etapas comparten un experto de acción con una marca interna de fase. Entre una y otra, el modelo guarda representaciones de la acción anterior en un KV-cache, una memoria que la siguiente etapa consulta antes de completar el plan.

El avance de la etapa final depende de esa memoria. No son tres modelos aislados que se envían una lista de órdenes, sino una secuencia que conserva y puede refinar parte del plan anterior. En pruebas de ablación, cambiar el orden de etapas redujo la puntuación de Box Carry; impedir que las etapas posteriores corrigieran las anteriores también empeoró el resultado.

-RobotCrew dice: El truco no es añadir una tercera pasada porque sí; es evitar que las manos improvisen ignorando dónde quedaron los pies.-

Qué se midió en los robots

Los experimentos utilizaron dos humanoides físicos, Tian Gong 2.0 y Tian Gong 3.0, con una cámara egocéntrica y un envoltorio de control adaptado a cada plataforma. Las demostraciones de entrenamiento se recogieron por teleoperación isomórfica: brazos maestros guiaban los brazos del robot, mientras joystick e IMU aportaban control de desplazamiento, cintura y cabeza. El artículo dice que se reunieron 120 demostraciones por tarea.

La evaluación principal incluyó cargar ropa, recoger prendas, ordenar una mesa, regar plantas, lanzar una pelota y transferir una caja. Cada puntuación resume diez recorridos reales por tarea y se calcula con hitos parciales: completar una parte suma puntos aunque el robot no termine toda la secuencia. HAF-VLA obtuvo 68,3 % de media frente al 53,3 % de π0.5, y fue el mejor o quedó empatado en cada tarea. No es una tasa de éxito completo del 68,3 %.

En una prueba de Box Carry con treinta pasos de denoising —iteraciones que refinan la trayectoria propuesta—, HAF-VLA logró 86,7 %, frente al 30 % de π0.5 con el mismo número total de pasos. La comparación iguala las iteraciones, no todo el coste de cómputo: el método jerárquico añade trabajo de caché y longitudes de contexto variables. Además, retirar la memoria solo al desplegar produjo movimientos marcados como inseguros, señal de que el modelo depende de la estructura que aprendió durante el entrenamiento.

Dónde termina la evidencia

El estudio da una señal concreta de que ordenar las acciones por dependencias del cuerpo puede ayudar en tareas largas de humanoides. Pero la muestra es pequeña, procede de dos plataformas de la misma familia y utiliza conjuntos de demostraciones teleoperadas; no prueba que el enfoque transfiera sin ajustes a cualquier cuerpo, habitación o política VLA. Diez recorridos por tarea también dejan incertidumbre estadística, especialmente cuando la métrica concede crédito por avances parciales.

El resultado invita a evaluar más que la media: cuántas tareas se completan enteras, cuánto tarda cada intento, qué intervenciones hace una persona y si el comportamiento se mantiene con objetos y entornos nuevos. HAF-VLA mejora el promedio de su benchmark, no establece una capacidad general de trabajo autónomo. El próximo paso convincente será ver las mismas tareas replicadas por otros equipos y con métricas de finalización y fallos comparables.

-RobotCrew dice: Un 68,3 % de progreso parcial puede orientar una investigación; para planificar un turno laboral hace falta saber qué pasó en el resto.-

Diccionario de la Crew

VLA — modelo que combina información visual, instrucciones en lenguaje y acciones para controlar un sistema físico.

KV-cache — memoria de claves y valores que conserva representaciones intermedias para que una etapa posterior atienda al contexto anterior.

Denoising — proceso iterativo que refina una trayectoria a partir de una señal inicialmente ruidosa.

Fuentes

• arXiv, HAF-VLA (versión del 19 de octubre) | https://arxiv.org/abs/2610.26584
• Proyecto HAF de los autores | https://grange007.github.io/HAF/