VLA换动作块不再卡顿

一句话判断

VLA换动作块不再卡顿

论文解决什么问题

动作分块(chunking，一次推理预测一串未来动作)是VLA部署标配，能摊薄推理成本、支持高频控制。但推理延迟加上flow策略本身的多模态性，让相邻两个动作块衔接处经常不平滑，执行时看得出犹豫、突兀转向。现有RTC方案靠推理时打补丁缓解，但补丁不是策略自己学会的东西——这篇论文的方法名Legato，取自音乐里"连音"这个概念:音符之间平滑过渡、毫无间断。

核心方法

衔接不该是补丁，得是策略自己去噪动力学里原生的一部分
↳ 诊断实验先讲清楚这件事：只在去噪起点做一次性前缀引导，重叠区域动作会随多步去噪逐渐漂离参考值——证明引导必须每一步都重新施加，只做一次不够
↳ Legato的做法：定义一个横跨动作块时程的连续性向量（块开头强引导、逐渐坡降到零），据此重塑flow-matching的速度场本身，让"逐步引导"变成去噪动力学内生的一部分，不是套在标准速度场外面的推理时约束
↳ 调度由延迟、执行步幅、坡降长度三个参数刻画，训练时随机化并作为显式条件喂给策略，一个模型就能适应不同延迟波动

实验结果

· 真机五项操作任务全面优于RTC：完成时间更短、多项平滑度指标更好、任务完成分数也更高——平滑度提升没有拿成功率去换
· 跟同期的"训练时RTC"（同样在训练阶段引入约束，但只是加一道硬性前缀约束，底层动力学不变）比也全面胜出
· 方法不绑定骨干：π0、π0.5、GR00T N1.6，甚至基于UNet的仿真策略都验证有效

这篇论文不是什么

· 衡量全轨迹高阶平滑度的NLDLJ指标没有全部任务都显著提升——改善集中在块边界附近，不代表整条轨迹处处都更平滑
· 对部署延迟的鲁棒性是有前提的：训练时随机化范围没覆盖到的延迟值（尤其缺了"零延迟"这种极端情形），性能可能严重退化甚至接近完全失败
· 验证范围局限在flow-matching这类连续动作分块策略，离散动作表示的VLA架构没有涉及

对机器人 / 世界模型 / VLA 的启发

"训练时把部署期会变化的麻烦参数随机化、让策略自己适应"这个手法，和已解读过的PointWorld同源——PointWorld随机化相机数量、这篇随机化推理延迟，结果都是模型对该参数的各种取值反而最鲁棒。调度消融里步幅和坡降长度的权衡，也和PAVE的预测锚点数量非单调发现是同一个模式：给系统更多约束或参数不是无条件的好事，关键在找到那个恰好的权衡点。

论文关键页