PaceVLA：视觉-语言-动作模型中的自适应时间动作量化
论文提出 PaceVLA 框架，用于解决 VLA 模型因从遥操作演示学习细粒度时间模式、需大量底层动作步而导致的执行时间效率低问题。该框架包含两个耦合组件：基于共享动作专家的模式特定动作解码器，支持多种时间粒度与预测时域；以及可量化性引导的模式选择方案和上下文条件路由器，在每个推理步判断粗粒度执行是否合适并选择执行模式。在三个多任务仿真基准和六个真实世界任务上，PaceVLA 在多种具身形态（含长时程与灵巧操作）中提升执行效率并保持任务成功率。
发布于 10-22 13:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《PaceVLA: Adaptive Temporal Action Quantization in Vision-Language-Action Models》查看原链
arXiv:2610.25961v2 公告类型：替换 摘要：快速可靠的操作对机器人实际部署至关重要。 尽管视觉-语言-动作（VLA）模型作为通用机器人策略近来取得显著进展，其执行在时间效率上往往仍然不足。 这种低效的一个关键来源是：策略从遥操作演示中学习细粒度时间模式，需要大量底层动作步。
时间动作量化提供了一种简单方法来加速执行，即把连续的底层动作聚合为时间上更粗粒度的动作。 然而，不考虑何时需要细粒度控制而直接应用动作量化会引入速度-精度权衡：加速动作在某些阶段可高效减少冗余步，但在精度敏感交互中会丢弃关键运动细节。 为此，我们提出 PaceVLA，一个用于 VLA 自适应时间执行的统一框架，集成两个耦合组件：（1）基于共享动作专家的模式特定动作解码器，支持多种时间粒度和预测时域；（2）可量化性引导的模式选择方案，用于判断粗粒度执行是否合适，以及一个上下文条件路由器，在每个推理步选择执行模式。
在三个多任务仿真基准和六个真实世界任务上的实验表明，PaceVLA 在多种具身形态（包括长时程和灵巧操作）上提升执行效率的同时保持任务成功率。