论文页面 - VLA-Rolling：更少的去噪步数，通过自适应动作复用实现更优控制

来源：https://huggingface.co/papers/2610.25043 作者：

,

,

,

,

,

,

,

,

,

,

,

摘要

VLA-Rolling 通过自适应去噪预算复用被丢弃的动作尾部，提升视觉-语言-动作模型的效率，降低推理成本并提高成功率。

基于流匹配（Flow-matching，https://huggingface.co/papers?q=Flow-matching）的视觉-语言-动作（VLA）模型通过迭代去噪（https://huggingface.co/papers?q=denoising）高斯噪声（https://huggingface.co/papers?q=Gaussian%20noise）来生成动作块（action chunk，https://huggingface.co/papers?q=action%20chunk），但通常只执行一小段前缀，随后便用更新后的观测进行重新规划。在这种滚动时域（receding-horizon，https://huggingface.co/papers?q=receding-horizon）范式下，未被执行的剩余部分——即动作尾部——被丢弃，下一个动作块则从全新的噪声中重新生成。我们证明，被丢弃的动作尾部保留了可迁移的去噪进度：动作尾部初始化（action-tail initialization，https://huggingface.co/papers?q=action-tail%20initialization）能够以更少的去噪步数达到甚至超越原生 10 步高斯基线的性能。然而，最优的去噪预算在不同样本之间差异显著，表明尾部复用应根据更新后的环境进行自适应调整。基于这一观察，我们提出了 VLA-Rolling（https://huggingface.co/papers?q=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（confidence estimation，https://huggingface.co/papers?q=confidence%20estimation），以及通过再加噪（renoising，https://huggingface.co/papers?q=renoising）和去噪预算分配进行置信度引导的精炼，同时底层 VLA 模型保持冻结。在 LIBERO、MetaWorld、LIBERO-Plus 和 RoboTwin 2.0 基准测试中，针对 π_{0.5}、SmolVLA、X-VLA 和 MolmoAct2 模型，VLA-Rolling（https://huggingface.co/papers?q=VLA-Rolling）在全部 16 个模型-基准组合中均降低了动作块推理成本，最高实现 1.48 倍加速，同时在 14 个组合中将成功率提升最多 15.08 个百分点。这些结果表明，动作尾部并非仅仅是被丢弃的预测，而是可复用的中间状态，能够实现更高效、更准确的 VLA 推理。这些结果也表明，动作尾部能够以更少的去噪步数支持生成更优的动作。我们的项目地址为：https://chenbao123ww.github.io/VLA-Rolling（https://huggingface.co/papers?q=VLA-Rolling）。

查看 arXiv 页面（https://arxiv.org/abs/2610.25043） | 查看 PDF（https://arxiv.org/pdf/2610.25043） | 项目页面（https://chenbao123ww.github.io/VLA-Rolling/） | GitHub6（https://github.com/ZJU-OmniAI/VLA-Rolling） | 添加到收藏夹（https://huggingface.co/login?next=%2Fpapers%2F2610.25043）

在您的 Agent 中获取此论文：

hf papers read 2610.25043

尚未安装最新 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型 1

Chenbao77/VLA-Rolling 机器人学 • 约 5 小时前更新（https://huggingface.co/Chenbao77/VLA-Rolling）

引用本文的数据集 0

暂无关联数据集

在数据集 README.md 中引用 arxiv.org/abs/2610.25043 即可从此页面链接。

引用本文的 Spaces 0

暂无关联 Space

在 Space README.md 中引用 arxiv.org/abs/2610.25043 即可从此页面链接。

包含本文的收藏夹 0

暂无包含本文的收藏夹

将此论文添加到收藏夹（https://huggingface.co/new-collection）即可从此页面链接。