💻 computer science

Adaptive Action Chunking at Inference-time for Vision-Language-Action Models

该论文提出了一种基于动作熵的自适应动作分块（AAC）策略，旨在解决视觉 - 语言 - 动作模型在推理时固定分块长度导致的响应性与一致性难以平衡的问题，并通过大量仿真与真实世界实验证明其性能显著优于现有方法。

原作者： Yuanchang Liang, Xiaobo Wang, Kai Wang, Shuo Wang, Xiaojiang Peng, Haoyu Chen, David Kim Huat Chua, Prahlad Vadakkepat

发布于 2026-04-13

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yuanchang Liang, Xiaobo Wang, Kai Wang, Shuo Wang, Xiaojiang Peng, Haoyu Chen, David Kim Huat Chua, Prahlad Vadakkepat

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种让机器人变得更聪明、更灵活的新技术，叫做**“自适应动作分块”（Adaptive Action Chunking，简称 AAC）**。

为了让你轻松理解，我们可以把机器人想象成一个正在学做菜的学徒厨师，而这篇论文解决的就是他**“切菜节奏”**的问题。

1. 核心难题：切菜切多长一段？

现在的机器人（特别是那些能看懂图片、听懂指令的“多模态”机器人）在干活时，通常不是动一下停一下，而是一次性规划好一连串动作，然后像连珠炮一样执行完，中间不回头检查。这一连串动作就叫“动作分块”（Action Chunk）。

这就好比厨师切菜：

如果切得太长（大分块）： 比如一次计划切 20 刀。优点是动作连贯、效率高。但缺点是，如果切到一半发现土豆滚走了，或者刀歪了，他得等切完这 20 刀才能停下来调整，反应太慢，容易切坏东西。
如果切得太短（小分块）： 比如切一刀就停下来看一眼。优点是反应极快，随时能调整。但缺点是动作会显得断断续续、磕磕绊绊，像机器人突然抽搐一样（论文里叫"mode-jumping"），而且频繁停下来思考会浪费大量时间。

目前的困境是： 大多数机器人不管在干什么，都死板地设定一个固定的切菜长度（比如每次都切 16 刀）。

在搬运大土豆时，切 16 刀很完美。
但在给土豆削皮这种精细活时，切 16 刀就太鲁莽了，容易切到手。
在按紧急按钮时，切 16 刀又太慢了，按不准。

这就好比让一个厨师不管是在切西瓜还是给鱼去刺，都只用同样的节奏，显然不够聪明。

2. 解决方案：听“心跳”来决定节奏

这篇论文提出的 AAC（自适应动作分块） 就像给机器人装了一个**“直觉雷达”**。

这个雷达不靠复杂的重新训练，而是通过计算**“动作熵”（Action Entropy）**来判断。

什么是“动作熵”？ 你可以把它理解为机器人**“心里的不确定感”或“心跳的慌乱程度”**。
- 如果机器人对自己接下来的动作非常有信心（熵低，心跳平稳），说明它很确定该怎么做。这时候，AAC 就会说：“好，大胆点，一次多切几刀（大分块），快速推进！”
- 如果机器人心里没底（熵高，心跳慌乱），比如面对一个没见过的奇怪物体，或者手快要碰到危险边缘时。这时候，AAC 就会说：“慢点！别乱动，一次只切一刀（小分块），切完赶紧停下来看看情况，重新规划！”

3. 一个生动的比喻：开车

想象你在开车：

在高速公路上（低熵/高信心）： 路况很好，你很清楚前面怎么走。你会定好巡航速度，一口气开很远（大分块），这样效率高，驾驶体验也流畅。
在复杂的巷子里或遇到暴雨（高熵/低信心）： 路况不明，随时可能有行人或障碍物。你会放慢速度，甚至每走几步就停下来观察（小分块），随时准备刹车或转向。

以前的机器人就像是一个只会定速巡航的傻瓜司机，不管是在高速还是巷子里，都保持同一个速度，结果要么在巷子里撞墙，要么在高速上开得太慢。
现在的 AAC 机器人则像是一个老司机，懂得根据路况（不确定性）自动切换“巡航模式”和“谨慎模式”。

4. 实际效果如何？

研究人员在电脑模拟（RoboCasa 厨房、LIBERO 实验室）和真实的机器人手臂上做了大量测试：

更灵活： 在需要精细操作（比如拧水龙头、按按钮）时，它会自动变小分块，动作更精准，不再“手抖”。
更高效： 在搬运东西（比如把碗从 A 移到 B）时，它会自动变大分块，动作更连贯，速度更快。
更安全： 实验视频显示，普通的机器人容易因为动作太“长”而撞到桌子，而 AAC 机器人能在快碰到桌子时自动“刹车”并重新规划，避免了碰撞。

总结

这篇论文的核心思想就是：不要“一刀切”。

通过让机器人根据自己**“心里有没有底”（动作熵）来动态调整“一次干多少活”（分块大小），我们让机器人既拥有了高速公路的效率**，又拥有了复杂巷道的灵活性。这让机器人从“死板的执行者”变成了“聪明的决策者”，在真实世界中干起活来更稳、更准、更快。

论文技术总结：推理时自适应动作分块（Adaptive Action Chunking）

1. 研究背景与问题定义 (Problem)

背景：
视觉 - 语言 - 动作（Vision-Language-Action, VLA）模型在机器人操作任务中展现出巨大潜力。为了减少累积误差并提高操作成功率，现有的 VLA 模型（如 ACT, Diffusion Policy, GR00T 等）通常采用**动作分块（Action Chunking）**技术，即在每个观测点生成并执行一系列连续的动作，而不是单步执行。

核心问题：
目前主流 VLA 模型在推理时通常采用固定长度的动作分块（例如固定为 16 或 25 步）。这种固定策略存在明显的两难困境：

分块过大：虽然提高了时间一致性（Temporal Consistency）和推理效率，但降低了模型对新信息的响应速度（Reactivity），导致模型难以应对突发变化。
分块过小：虽然提高了响应速度，但增加了“模式跳跃”（Mode-jumping）的风险，导致动作不连贯、抖动，且频繁重规划会降低计算效率。

现有挑战：

不同操作任务（如旋转旋钮 vs. 按压按钮）对分块大小的需求截然不同，单一固定值无法在所有任务中达到最优。
现有的自适应方法（如基于强化学习或搜索策略）要么依赖手工设计的价值函数（泛化性差），要么依赖仿真中的奖励信号（难以部署到真实世界），要么需要额外的训练或架构修改。

2. 方法论 (Methodology)

本文提出了一种名为自适应动作分块（Adaptive Action Chunking, AAC）的策略。该方法的核心思想是仅在推理阶段运行，无需额外训练或修改模型架构。

核心机制：基于动作熵的动态调整

AAC 利用**动作熵（Action Entropy）**作为不确定性指标，动态决定当前时刻的最佳分块大小 $h^*$ 。

动作熵计算：
- 对于连续控制（如平移、旋转），使用高斯微分熵公式计算。
- 对于离散控制（如夹爪开合），使用香农熵公式计算。
- 通过并行采样 $N$ 个候选动作分块，估算动作分布的概率 $p(a)$ 和协方差矩阵 $\Sigma_t$ ，进而计算平均动作熵 $\overline{E}_h$ 。
自适应决策逻辑：
- 高熵（高不确定性）：当模型预测的动作质量较低（熵高）时，意味着当前环境复杂或模型信心不足。此时，AAC 选择较小的分块大小，执行更频繁的重规划，以提高模型的响应速度和修正能力。
- 低熵（高确定性）：当模型预测动作可靠（熵低）时，意味着任务处于稳定阶段（如物体搬运）。此时，AAC 选择较大的分块大小，以增强时间一致性并提高推理效率。
最优分块大小选择公式：
$h^* = \max(\arg\max_h(\overline{E}_{h+1} - \overline{E}_h), \xi)$
其中， $\arg\max_h(\overline{E}_{h+1} - \overline{E}_h)$ 寻找平均熵差异最大的点（即不确定性开始显著增加的临界点）， $\xi$ 是分块大小的下限，以保证最小的动作幅度和计算效率。

算法流程

在推理的每个时间步，并行生成 $N$ 个候选动作分块。
计算不同分块长度下的平均动作熵。
根据熵的变化率动态确定当前最优分块大小 $h^*$ 。
执行前 $h^*$ 个动作，并在下一个时间步重复上述过程。

3. 主要贡献 (Key Contributions)

问题分析：深入分析了现有 VLA 模型中固定动作分块大小的局限性，强调了在推理时进行自适应分块的重要性。
提出 AAC 算法：设计了一种简单高效的推理时策略，利用动作熵作为线索动态调整分块大小。该方法无需额外训练，具有极强的通用性和可移植性。
广泛的实验验证：在多个仿真基准（RoboCasa, LIBERO）和真实世界机器人任务上进行了广泛实验，证明了该方法在成功率和鲁棒性上均优于现有的固定分块策略及其他自适应方法。

4. 实验结果 (Results)

仿真实验 (Simulation)

基准测试：在 RoboCasa（24 个厨房任务）和 LIBERO（4 个任务套件）上，AAC 均取得了最佳或最具竞争力的结果。
- RoboCasa：平均成功率提升 2.3%。特别是在需要精细控制的“旋转（Rotation）”任务中，成功率从 57.6% 提升至 61.4%。
- LIBERO：平均成功率提升 0.9%。在最复杂的"LIBERO-Long"长序列任务中，提升幅度达到 4%。
对比固定大小：实验表明，不同任务甚至同一任务的不同阶段，最优分块大小差异巨大。AAC 能够自动适应这种变化，而固定大小的基线模型（如固定 $h=16$ ）在部分任务上表现次优。
定性分析：可视化结果显示，AAC 的分块大小决策符合人类直觉：在物体搬运阶段（远离目标）使用大分块，在关键抓取和操控阶段使用小分块。

真实世界实验 (Real-world)

任务设置：在 Realman 单臂机器人上进行了香蕉抓取、紧急按钮按压和长序列抽屉操作任务。
性能提升：AAC 在所有三个真实任务中均优于基线 GR00T，平均成功率提升了 15%（从 67.0% 提升至 82.0%）。
泛化性与安全性：
- 在未见过的按钮位置（分布外场景）下，AAC 表现出更强的泛化能力。
- 通过动态过滤高熵（低质量）动作，AAC 有效避免了机械臂与桌面的碰撞，提高了操作的安全性和精度。

效率分析

虽然 AAC 需要并行采样计算熵，但通过批处理并行计算，推理延迟增加极小（约 20ms），在可接受范围内。

5. 意义与价值 (Significance)

解决“一刀切”痛点：打破了 VLA 模型依赖经验固定分块大小的惯例，提供了一种数据驱动、自适应的解决方案，显著提升了模型在不同任务场景下的适应性。
平衡一致性与响应性：成功在“动作连贯性”和“环境响应速度”之间找到了动态平衡点，这是机器人复杂操作任务成功的关键。
即插即用（Plug-and-Play）：AAC 不需要重新训练模型，也不依赖仿真奖励，可以直接应用于现有的扩散策略 VLA 模型（如 GR00T, $\pi_0$ 等），具有极高的实用价值和推广潜力。
提升真实世界部署能力：实验证明该方法能显著提升机器人在非结构化环境中的操作成功率和安全性，为 VLA 模型从仿真走向真实世界应用提供了重要的技术支撑。