流匹配VLA策略中执行时域与采样深度的耦合
该论文指出流匹配VLA部署中数值求解器深度与执行时域通常被解耦选择，并揭示二者存在由符号反转支配的计算-执行耦合：快速重规划下粗糙积分降低精度，但延长开环执行时粗糙积分反而提升任务表现，其机制是数值截断使横向动作离散度围绕不变的轨迹质心收缩，起到抑制开环漂移累积的隐式正则化作用。在LIBERO、RoboTwin 2.0及真实Franka操作任务上，针对π0、π0.5、GR00T等VLA骨干模型，利用该耦合可在无需训练、不改架构的前提下提升任务成功率并大幅降低推理延迟。
发布于 10-27 10:53来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Coupling Execution Horizon and Sampling Depth in Flow-Matching VLA Policies》查看原链
流匹配视觉-语言-动作（VLA）模型能为机器人操作生成富有表现力的连续轨迹，但如何在实时响应性与执行稳定性之间取得平衡，仍是一项长期挑战。 标准部署流程通常将数值求解器深度与执行时域视为彼此独立的选择：执行时域用于摊薄推理延迟，而求解器深度则保持较高水平以维持积分保真度。
本文揭示了流匹配VLA中存在一种由系统性符号反转所支配的基本计算-执行耦合：在快速重规划下，粗糙的数值积分会降低精度；但在延长开环执行承诺时，它却显著提升任务表现。 从几何上看，数值截断会使横向动作离散度围绕一个不变的轨迹质心收缩，从而充当隐式正则化器，抑制开环漂移的累积。
在LIBERO、RoboTwin 2.0以及真实Franka操作任务上，针对包括π0、π0.5和GR00T在内的代表性VLA骨干模型，利用这种联合耦合关系可稳定获得更高的任务成功率，同时大幅降低推理延迟，且完全无需训练、无需修改架构。 这些发现将数值采样深度确立为一种运行时的方差调节器，使其角色从静态的精度预算转变为机器人学习中的主动部署旋钮。
项目页面：https://jiabingyang01.github.io/Horizon-Depth-VLA/