论文解读 · 2026年10月22日

VLA-Rolling：复用被丢弃的 action tail，以更少的去噪步数控制机器人

VLA-Rolling: Fewer Denoising Steps, Better Control via Adaptive Action Reuse

Flow-matching VLA 原本会丢弃未执行的后段动作，本方法根据置信度将其复用为下一次生成的起点，在降低推理成本的同时，在多数情况下也提高了成功率。

问题

Flow-matching VLA 通过对噪声进行多步去噪来生成动作块（action chunk），但只执行前面一部分，然后根据新的观测重新规划。未执行的后段（action tail）被丢弃，下一个动作块又从新的 Gaussian 噪声重新生成。这相当于浪费了已经完成的去噪计算。

方法

诊断实验显示，以 action tail 为起点时，π0.5 只需 4 步、SmolVLA 只需 6 步，就能追平 10 步 Gaussian 基线的动作误差。不过，每个样本的最优步数在 1~10 之间差异很大。基于此，VLA-Rolling 分三步运行。(1) 将上一个 tail 对齐到下一个规划区间并继承下来。(2) 轻量级置信度估计器根据新的观测和状态变化，预测每个动作的复用置信度。(3) 对置信度低的动作混入更多噪声，并按动作块中最低的置信度确定去噪步数。估计器使用时间上相邻的演示数据离线训练，并在高估置信度时施加更大的惩罚。VLA 主体保持冻结。

结果

在 π0.5、SmolVLA、X-VLA、MolmoAct2 与 LIBERO、MetaWorld、LIBERO-Plus、RoboTwin 2.0 构成的全部 16 个组合中，每个 action chunk 的推理时间减少了 5.00~32.52%（吞吐量最高达 1.48 倍）。
16 个组合中有 14 个成功率上升，最大增幅出现在 SmolVLA 的 LIBERO-Plus 上，为 20.74%→35.82%（+15.08 个百分点）。
在 π0.5 的 LIBERO 上，成功率为 96.38%→97.83%，推理时间为 168.09ms→129.60ms。
消融实验中，只简单继承 tail 时成功率下降 4.89%，只调整步数时也下降 4.29%。只有包含 renoising 的变体才带来了提升。

局限

在 X-VLA 的 LIBERO-Plus（-0.13 个百分点）和 RoboTwin（-0.28 个百分点）上，成功率略有下降。部分组合的成本节省仅为 5~8% 左右。置信度估计器需要用演示数据单独训练。评估主要在仿真中进行，在所查阅的正文范围内看不到真实机器人实验的详细内容。表 1 中 π0.5 MetaWorld 的增减值与成功率差值不符，需要核对原文。

意义

这是一种插件式方法，无需重新训练 VLA，只改变推理阶段即可同时提升速度和成功率。当去噪成本成为实时机器人控制的瓶颈时，值得直接尝试。

关键术语

VLA（Vision-Language-Action）模型: 接收摄像头画面和语言指令，直接输出机器人动作的模型。
Action chunk / Action tail: 一次预测出的一组未来动作称为 action chunk。其中未被执行而剩下的后段称为 action tail。
Receding-horizon 执行: 一种只执行长规划的前段、再根据新观测重新规划并不断重复的方式，用来减少误差累积。
Renoising: 对要复用的动作混入与置信度成反比的噪声，为修正过时的预测留出余地的步骤。

原文

作者: Sicheng He, Yi Pan, Qiuting Yu, Jiaming Huang, Qi Lu, Shuyan Wu, Hongyan Feng, Xuanyu Liu, 等 · 发布 2026-10-18 · 许可 CC BY 4.0 · 基于全文分析

本解读是 AI 阅读论文后撰写的摘要，请以论文原文为准。