PaceVLA 提出自适应时间动作量化，提升 VLA 执行效率
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对视觉-语言-动作模型执行效率偏低的问题，PaceVLA 提出一套自适应时间执行框架。该框架包含两个相互配合的部分：一是基于共享动作专家的模式专用解码器，支持多种时间粒度与预测视野；二是量化可行性引导的模式选择机制，判断当前是否适合粗粒度执行，并由上下文条件路由器在每次推理时选择执行模式。作者在三个多任务仿真基准和六个真实任务上测试，覆盖长程与灵巧操作，结果显示该方法在保持任务成功率的同时提升了执行效率。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
材料指出，VLA 模型作为通用机器人策略已有明显进展，但执行过程在时间维度上效率不高。原因在于策略从遥操作演示中学习细粒度的时间模式，因此需要大量低层动作步骤。把连续的低层动作聚合成时间上更粗的动作，是加速执行的简单办法；但如果不判断何时需要精细控制就直接量化，就会形成速度与精度的取舍：加速动作在某些阶段能有效减少冗余步骤，在精度敏感的操作中却会丢掉关键运动细节。
框架的两个组件
PaceVLA 把自适应时间执行拆成两个相互耦合的部分。其一是模式专用动作解码器，建立在共享的动作专家之上，支持多种时间粒度与预测视野，也就是不同粗细的动作表示由各自的解码分支输出。其二是模式选择机制，包含量化可行性引导的判断，用来决定粗粒度执行是否合适，以及一个上下文条件路由器，在每次推理步骤上挑选执行模式。两者配合，使模型能在同一任务的不同阶段切换动作粗细。
验证范围
实验在三个多任务仿真基准和六个真实世界任务上展开，涉及多种机器人本体，任务类型包括长程操作与灵巧操作。材料给出的结论是：PaceVLA 在维持任务成功率的同时提高了执行效率。论文篇幅为 25 页，含 7 张图、10 张表，并提供了项目页面，归类于 cs.RO 与 cs.AI，arXiv 编号 2610.25961。
为什么值得看
VLA 模型落地机器人时普遍受困于执行步数过多，这篇论文给出了兼顾速度与精度的自适应方案，并附有真机任务验证。
量化论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。