SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics#

  • 제목: SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics

  • 저자: Mustafa Shukor et al., Sorbonne University & Hugging Face

Overview#

  • Target task: Imitation Learning

  • Algorithm class: Vision-language-action (VLA) model

  • Motivation

    1. Impactful한 VLA 모델들의 경우 독점적으로 발전해왔다.

      • 즉, model은 공개되어 있어도 데이터셋이나 훈련 디테일, 중요한 방법론들은 공유되지 않은 경우가 많다.

    2. NLP나 CV 분야처럼 발전하기 위해서는 transparent, reproducible open-source model과 training recipes 공유가 중요하다.

    3. 기존의 open-sourced VLA는 너무 크고 resource-intensive하며 비싼 robotic platforms이 필요하다.

  • Solution

    1. Affordable

      • 저가형 로봇들 및 규격화된 로봇틱스 library 덕분에 practitioner들이 쉽게 로봇틱스 분야에 진입할 수 있게 만듦

      • Practitioners들이 각자 다양한 환경에서 수집하여 공유한 community dataset을 사용하여 VLA 모델 훈련

    2. Efficient

      • 작은 VLM 모델 사용 (SmolVLM-2)

      • Layer skipping (사전 훈련된 VLM의 마지막 layer의 embedding vector를 사용하지 않고 중간 layer의 embedding vector를 사용)

      • Asynchronous inference stack

        • \(t\) 시점의 VLM model의 출력 \(o_t\)를 policy server에 보내서 \(n\)개의 행동 (action sequence) 출력

        • \(k \le n\) step 후에 \(o_{t+n}\)을 policy server에 보내서 \(n\)개의 행동 (action sequence) 출력

        • 중복된 영역은 aggregate

../../_images/250731_SmolVLA_image.png

Introduction#

Robotics 분야의 경우, 현실 세계에 foundation model을 적용하는 것은 어려운 문제

  • 다양한 object types, positions, surrounding environments, tasks에 대해 잘 작동하도록 일반화 필요

  • Agent 입장에서는 주변 환경에 대한 common sense 이해와 robust skills 학습이 요구됨

  • 하지만 질 좋고 다양성이 확보된 데이터셋이 없어서 foundation model 개발이 제한적

Vision-language-action (VLA) model이 robotics 분야에서의 foundation model로 대두

  • 사전훈련된 vision-language model (VLM)을 이용하여 abstract reasoning과 world knowledge를 embedding

  • Action expert로 decision making skills 학습

Open-sourced light weight model 필요성

  • Impactful한 VLA 모델들의 경우, model은 공개되어 있어도 데이터셋, 훈련 디테일, 중요한 방법론들은 공유되지 않은 경우가 많다.

  • NLP나 CV 분야처럼 발전하기 위해서는 transparent, reproducible open-source model과 training recipes 공유가 중요하다.

  • 기존의 open-sourced VLA는 너무 크고 resource-intensive하며 비싼 robotic platforms이 필요하다.

SmolVLA: small, efficient and capable#

../../_images/250731_SmolVLA_image.png

입력 및 출력#

입력 데이터

  1. 여러 개의 RGB 카메라 촬영된 이미지 ⇒ Vision encoder로 입력되어 visual token embeddings가 됨

  2. Task를 설명하는 텍스트 프롬프트 ⇒ 토큰화 후 임베딩 레이어 거쳐서 language token embeddings

  3. 로봇의 sensorimotor states ⇒ Linear layer 거쳐서 차원 수 맞춰 줌

중간 과정

  • 1, 2, 3에서 나온 벡터들은 concatenate되어 LLM 모델에 입력

  • 중간 레이어까지 거쳐서 나온 임베딩 벡터가 Action Expert (Flow matching Transformer)로 입력됨

출력 데이터

  • Action sequence

VLM 모델로 SmolVLM-2 (Hugging Face, 2025)을 사용#

../../_images/250731_SmolVLA_image1.png

  • Visual encoder는 ViT-g + pixel shuffling 사용

    • ViT-g 입력: \(512\times512\) 크기 이미지

    • ViT-g 출력: \(32\times32=1024\) 개의 token embeddings 생성

    • Pixel shuffling 으로 \(8\times8=64\)개의 token embeddings으로 압축

../../_images/250731_SmolVLA_image2.png

  • Text decoder (language model)는 SmolLM (Hugging Face, 2025) 사용

    • Llama-2인데 더 작은 모델 (1.7B)

  • Pretraining 기법으로는 SigLIP (Google Research, 2023) 사용

    • CLIP처럼 visual features와 text features를 contrastive learning로 alignment 해주는 기법

Action Expert: Flow matching Transformer#

  • 입력: 기존 24개의 레이어를 갖는 VLM 모델 중 첫 16개의 layers만 사용

  • 출력: sequence of \(n=50\) actions

  • 기타: 층마다 self attention과 cross attention (to VLM features)를 번갈아 가면서 사용

Pretraining data collected by the community#

Motivation

  • 데이터 수집의 어려움

    • Human expert가 teleoperation을 통해 데이터 수집을 해야 하기 때문에 비용이 많이 듦

    • 데이터셋마다 로봇 형태, 센서, actuation modes, 제어 주기, 데이터 포맷이 모두 다르기 때문에 여러 데이터셋을 통합해서 사용하기 어려움

  • 저가형 로봇들 및 규격화된 로봇틱스 library 덕분에 practitioner들이 쉽게 로봇틱스 분야에 진입할 수 있게 만듦

Community dataset

  • Practitioners들이 모은 데이터셋

  • 연구소에서 규격화된 환경에서 수집한 데이터셋과 다르게 자연히 다양한 로봇 형태, 제어 스키마, 카메라 각도, 테스크, real-world 주변 환경 등을 통해 다양성이 확보됨

  • HuggingFace에 공유된 481개의 데이터셋 (22.9K 에피소드, 10.6M frames)을 사용하여 사전훈련

Asynchronous inference#

Action chunking: 현재 시점 \(t\) 에서 \(n=50\) 개의 actions \(\mathbf{A}_t=(a_t, a_{t+1}, \ldots, a_{t+n-1})\) 를 출력

\(\mathbf{A}_t\)로부터 환경과 상호작용하는 방법 두 가지

  1. Open loop control

    • \(\mathbf{A}_t\)를 다 소진할 때까지 환경과 상호작용. 중간 상태에서 action sequence 계산하지 않음

    • 단점: 로봇이 \(\mathbf{A}_t\)를 계산되는 동안 대기해야 하는 idle gaps 발생

  2. Closed loop control

    • 매 \(t\)마다 \(\mathbf{A}_t\)를 계산하고 이전에 계산해놓은 행동들과 aggregation하여 사용

    • 단점: Computationally expensive하기 때문에 edge device에서는 사용이 불가능

Asynchronous inference

  • 로봇에서 \(\mathbf{A}_t\)를 계산하는대신 원격 PolicyServer로 \(o_t\)를 전송

  • PolicyServer는 \(\mathbf{A}_t\)가 계산되면 하나씩 pop해서 로봇에게 전송

  • \(k \le n\) 개의 행동이 소진되면 로봇은 \(o_{t+k}\)를 로봇에게 전송

    • threshold \(g\in[0, 1]\)를 정해놓고 \(\frac{|\mathbf{A}_t|}{n} \le g\)이 되면 전송하는 방식

  • 겹치는 일부 actions는 aggregation하여 사용

../../_images/250731_SmolVLA_image3.png

Experiments#

Real-world tasks#

../../_images/250731_SmolVLA_image4.png

Community dataset으로 사전학습된 VLA를 3개의 tasks에 대한 데이터셋에 fine-tuning하여 task 성공률을 evaluation

  • SO-100 로봇 데이터셋 3개 (Pick and placing, Stacking, Sorting)

  • SO-101 로봇 데이터셋 1개 (Pick and placing)

  • 각 데이터셋은 5개의 서로 다른 starting position마다 10개의 trajectories가 제공되어 50개의 trajectories를 포함하고 있음

Task prompt

  • Pick and placing: “pick up the cube and place it in the box.”

  • Stacking: “pick up the red cube and put it on top of the blue cube.”

  • Sorting: “put the red cube in the right box and the blue cube in the left box.”

벤치마킹 결과 (w/ pretraining, open-loop control)

../../_images/250731_SmolVLA_image5.png

Ablation 1. Community dataset으로 사전학습을 한 경우와 안 한 경우

../../_images/250731_SmolVLA_image6.png

Ablation 2. Open-loop control vs. asynchronous inference

../../_images/250731_SmolVLA_image7.png