VLA-Rolling：更少去噪步数，通过自适应动作复用实现更好控制
研究提出 VLA-Rolling 推理框架，在底层 VLA 模型冻结的前提下，通过动作尾部继承、逐动作置信度估计、置信度引导的重新加噪与去噪预算分配三阶段复用被丢弃的动作尾部。在 LIBERO、MetaWorld、LIBERO-Plus、RoboTwin 2.0 四个基准上对 π_{0.5}、SmolVLA、X-VLA、MolmoAct2 测试，16 个模型—基准组合的推理成本全部下降，最高加速 1.48 倍；14 个组合成功率提升，最高提升 15.08 个百分点。
发布于 10-22 10:58来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《VLA-Rolling: Fewer Denoising Steps, Better Control via Adaptive Action Reuse》查看原链
arXiv:2610.25043v3 公告类型：replace-cross 摘要：流匹配视觉-语言-动作（VLA）模型通过迭代去噪高斯噪声生成动作块，但通常只执行很短的前缀，随后便用更新后的观测重新规划。 在这种滚动时域范式下，未执行的部分——动作尾部——被丢弃，下一个动作块从新的噪声重新生成。
我们表明，被丢弃的尾部保留了可迁移的去噪进度：动作尾部初始化可以用更少的去噪步数达到或超过原生 10 步高斯基线的效果。 然而，最优去噪预算在不同样本间差异显著，这表明尾部复用应适应更新后的环境。 基于这一观察，我们提出 VLA-Rolling，一个轻量级推理框架，通过三个阶段复用动作尾部：动作尾部继承、逐动作置信度估计，以及通过重新加噪和去噪预算分配进行的置信度引导精炼，同时底层 VLA 保持冻结。
在 LIBERO、MetaWorld、LIBERO-Plus 和 RoboTwin 2.0 上，针对 π_{0.5}、SmolVLA、X-VLA 和 MolmoAct2，VLA-Rolling 在全部 16 个模型—基准组合中降低了动作块推理成本，最高实现 1.48 倍加速，同时在 14 个组合中提升成功率，最高提升 15.08 个百分点。
这些结果表明，动作尾部并非只是被丢弃的预测，而是可复用的中间状态，能够实现更高效、更准确的 VLA 推理。 这些结果证明，动作尾部可以支持用更少的去噪步数生成更好的动作。 项目地址：https://chenbao123ww.github.io/VLA-Rolling/。