Barrier-Constrained Guidance For Real-time Asynchronous VLA Execution
Beijing Forestry University(北京林业大学);Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Beijing Innovation Center of Humanoid Robotics(北京人形机器人创新中心)
本文提出无需训练的实时推理插件FreeBar,通过CBF启发的一致性约束解决异步VLA执行的边界错位问题,在多机器人平台上提升成功率并降低延迟,是通用稳健的插件。
2026-10-14 cs.RO
DEFLECT: Temporal Counterfactual Preference Learning for Delay-Robust Asynchronous VLAs
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));One Robotics
针对异步视觉-语言-动作(VLA)策略中陈旧观测导致的预测-执行不匹配问题,提出离线后训练框架DEFLECT,通过反事实偏好监督学习偏好与执行时间对齐的动作,无需人工标注、在线部署或架构修改,显著提升高延迟下的任务成功率。
2026-10-21 cs.AI cs.RO
BICPO-VLA: Behavior-Identified Continuation Preference Optimization for Smooth Asynchronous Vision-Language-Action Control
BICPO-VLA针对异步视觉-语言-动作控制的请求交接间隙问题,通过行为识别、动作分解重建、参考相对Flow-DPO优化,实现平滑控制。
2026-08-17 cs.RO
VLA-RAIL: A Real-Time Asynchronous Inference Linker for VLA Models and Robots
China Mobile (Hangzhou) Information Technology Co., Ltd.(中国移动(杭州)信息技术有限公司)
VLA-RAIL通过异步推理和轨迹平滑技术,提升机器人动作执行的连续性和速度,提高任务成功率。
2025-12-31 cs.AI cs.RO cs.SY
D-VLA: A High-Concurrency Distributed Asynchronous Reinforcement Learning Framework for Vision-Language-Action Models
Tsinghua University(清华大学);Peking University(北京大学);Tianjin University(天津大学);Beihang University(北航);JDT AI Infra(京东AI基础设施)
本文提出D-VLA框架,通过平面解耦和四线异步流水线提升大规模视觉-语言-动作模型的并发性和效率,实验显示其在吞吐量和采样效率上优于主流框架。
2026-11-16 cs.AI cs.RO
AsyncShield: A Plug-and-Play Edge Adapter for Asynchronous Cloud-based VLA Navigation
Amap, Alibaba Group(阿里巴巴集团地图部门);Beijing Jiaotong University(北京交通大学)
本文提出AsyncShield,通过确定性物理白盒空间映射替代传统黑盒时间序列预测,解决云边异步导航中时空对齐问题,提升导航鲁棒性和安全性。
2026-04-27 cs.AI cs.RO
Understanding Asynchronous Inference Methods for Vision-Language-Action Models
École polytechnique Systems Group, ETH Zürich(瑞士联邦理工学院系统组,苏黎世联邦理工学院)
本文系统比较了四种异步推理方法,评估了其在不同延迟下的性能,发现A2C2在Kinetix上表现最佳,TT-RTC在LIBERO上最稳健,IT-RTC在低延迟下表现良好但高延迟下下降,VLASH在低延迟与高延迟之间存在权衡。
2026-05-04 cs.AI cs.LG cs.RO
Stable and Efficient Real-World Online VLA Post-Training via Asynchronous Replay-Anchored Policy Improvement
Fudan University(复旦大学);Shanghai Key Laboratory of Multimodal Embodied AI(上海多模态具身智能重点实验室);Singapore Management University(新加坡管理大学)
提出异步重放锚定策略改进(RAPolicy)框架,通过并行数据采集与学习、基于重放行为的评论家和演员更新,实现VLA模型高效在线后训练,在真实世界多任务中成功率从52%提升至88%。
2026-09-22 cs.RO
EagleVLA: Towards Onboard Real-Time Robot Control via Foresight-Aligned Asynchronous Inference
Peking University(北京大学);AIRS(无合适中文名,保留英文);PrimeBot Research Institute(PrimeBot 研究院)
研究针对低功耗机载设备部署VLA模型的挑战,提出Jetson-PI方法。通过训练轻量级未来校正模块解决感知-执行未对齐,引入基于置信度的调度优化减少反应时间,辅以系统级加速,实验显示其显著提升控制频率和成功率。
2026-09-09 cs.AI cs.RO
RAVEL: Asynchronous Rolling Inference for Flow-Based Vision-Language-Action Models
Zhejiang University(浙江大学);Nanyang Technological University(南洋理工大学)
针对基于流的VLA模型推理延迟高的问题,提出RAVEL异步推理框架,通过滚动缓冲单步去噪和VLM编码解耦,在保持任务能力的同时显著降低响应延迟,实现高频闭环控制。
2026-09-29 cs.RO
Acting While Understanding: Asynchronous Semantic-Action Decoupling for Real-Time Vision-Language-Action Models
Northeastern University(东北大学);Ising AI;CUHK-Shenzhen(香港中文大学(深圳))
提出异步语义-动作解耦框架,分离VLAs中的语义理解与动作生成,通过低频率语义更新和高频率动作推理实现高频闭环控制,在LIBERO和真实机器人上验证了高达35.6Hz的动作模块吞吐率。
2026-06-16 cs.RO
Libra-VLA: Achieving Learning Equilibrium via Asynchronous Coarse-to-Fine Dual-System
Beihang University(北航);AgiBot
Libra-VLA通过粗到细双系统架构,解决视觉-语言-动作模型在机器人操作中语义与动作间的鸿沟问题,实现训练平衡与高效执行。
2026-04-27 cs.AI cs.CL cs.CV
TIC-VLA: A Think-in-Control Vision-Language-Action Model for Robot Navigation in Dynamic Environments
University of California, Los Angeles(加州大学洛杉矶分校)
提出TIC-VLA模型,通过显式建模推理延迟并引入延迟语义-控制接口,结合异步训练流程,解决动态环境中视觉-语言-动作模型的推理与实时控制异步问题,在仿真和真实机器人上优于先前模型。
2026-05-29 cs.RO
Asynchronous Fast-Slow Vision-Language-Action Policies for Whole-Body Robotic Manipulation
AstriBot Team(AstriBot团队)
DuoCore-FS通过异步快速-慢速框架提升全身机器人操作的实时性能与任务成功率。
2025-12-23 cs.AI cs.RO
How Fast Can I Run My VLA? Demystifying VLA Inference Performance with VLA-Perf
NVIDIA Research(英伟达研究)
本文通过VLA-Perf分析VLA模型的推理性能,探讨了模型设计和部署对实时推理的影响,提出了15项关键结论以指导未来VLA系统设计。
2026-02-20 cs.RO
Long-Term Memory for VLA-based Agents in Open-World Task Execution
Nanjing University(南京大学);LimX Dynamics(LimX 动态)
本文提出ChemBot框架,通过双层记忆和MCP服务器提升复杂化学实验中的任务执行效率与安全性。
2026-08-04 cs.RO
SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics
Hugging Face;Sorbonne University(索邦大学);École Normale Supérieure Paris-Saclay(巴黎萨克雷高等师范学院)
SmolVLA提出一种小型高效、社区驱动的视觉-语言-动作模型,可在单GPU上训练并部署于消费级硬件,通过异步推理栈提升控制频率,以紧凑规模取得与大10倍模型相当的性能。
2025-06-02 cs.LG cs.RO
FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking
研究视觉-语言-动作策略实时部署中异步执行的问题,提出FutureRTC框架,通过状态校正和观测预测模块及策略一致性损失,无需修改底层策略,有效提升对推理延迟的鲁棒性,实现更优轨迹、执行速度和任务成功率。
2026-07-28 cs.RO
Reinforcement Learning for Real-Time Vision-Language-Action Policies
Stanford University(斯坦福大学)
针对VLA模型推理延迟导致动作过时的问题,提出Real-Time EXPO-FT框架,通过解耦动作生成与编辑实现实时强化学习微调,在Kinetix基准和动态真实世界任务中显著提升性能。
2026-09-17 cs.LG cs.RO
CoRe-VLA: Preserving Cross-View Coordination in VLAs under Camera Shifts
Southeast University(东南大学);National Center of Technology Innovation for EDA(国家EDA技术创新中心)
CoRe-VLA提出即插即用框架,通过重建点云并渲染训练视角观测,无需额外数据或微调,恢复相机移位下的跨视角协调,显著提升任务成功率。
2026-09-30 cs.RO
Action ControlNet: A Lightweight Delay-Aware Adapter for Smooth Asynchronous Control in Vision-Language-Action Models
School of Advanced Manufacturing and Robotics, Peking University(北京大学先进制造与机器人学院)
提出Action ControlNet,一种轻量级延迟感知适配器,通过将已执行的动作后缀作为残差条件,在不重新训练骨干网络的情况下,减少异步执行中的动作不连续和抖动,提升机器人操控的鲁棒性和平滑性。
2026-06-25 cs.RO
Agile-VLA: Few-Shot Industrial Pose Rectification via Implicit Affordance Anchoring
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出Agile-VLA框架,通过隐式affordance锚定机制将几何视觉线索映射为参数化动作原语,减少对高延迟语义推理的依赖,实现边缘设备上的高频率动态操作控制。
2026-03-24 cs.RO
TBD-VLA: Temporal Block Diffusion Vision Language Action Model
University of Virginia(弗吉尼亚大学)
提出TBD-VLA框架,通过时序块扩散机制实现离散令牌VLA模型的并行动作生成,兼顾时序连贯性与推理速度,在仿真和真实任务中优于先前方法。
2026-06-05 cs.CV cs.RO
Leave No Observation Behind: Real-time Correction for VLA Action Chunks
The University of Tokyo(东京大学)
针对VLA动作块在推理延迟和长时域下反应性下降的问题,提出即插即用的A2C2实时校正头,在不重训基础策略的情况下融合最新观测并逐步修正动作,显著提升多基准成功率与鲁棒性。
2025-09-27 cs.AI cs.CV cs.RO
From Local Whole-Body VLA Behaviors to Scene-Scale Aerial Manipulation
Nanyang Technological University(南洋理工大学);Tongji University(同济大学);Shanghai Institute of Intelligent Science and Technology(上海自主智能无人系统科学中心);Beihang University(北京航空航天大学);VinUniversity
提出统一框架,通过合成训练和MPAR对齐,将VLA模型扩展到场景级空中操控,实现模拟与物理验证。
2026-10-01 cs.RO
ForceDelta-VLA: Distilling Force-Conditioned Action Corrections for Contact-Rich Manipulation
University of Hamburg(汉堡大学);University of Science and Technology of China(中国科学技术大学);Technical University of Munich(慕尼黑工业大学)
ForceDelta-VLA通过蒸馏力条件与力无关预测的差值构建校正目标,轻量策略利用力历史调整参考动作,在接触丰富任务中成功率82.2%,峰值力降低26%。
2026-10-27 cs.RO
SocialVLA: A Social Perception Gateway for Human-Reaction-Based Failure Detection and Recovery in VLA Manipulation
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
SocialVLA通过融合人类自发反应信号,为VLA操作提供实时失败检测与恢复,实现高精度干预和低延迟响应。
2026-10-05 cs.RO
Learning to Act While Waiting: RL Finetuning of Generalist Robot Policies Under Inference Latency
Siemens(西门子);UC Berkeley(加州大学伯克利分校);Microsoft(微软);ETH Zurich(苏黎世联邦理工学院)
本研究针对通用机器人策略因推理延迟破坏马尔可夫假设导致标准RL失效的问题,提出ARLI框架,通过状态增强等设计实现延迟下的RL微调,在模拟及真实任务中表现优异。
2026-08-27 cs.LG cs.RO
Learning to Fold: prizewinning solution at LeHome Challenge 2026 (1st place online, 2nd offline)
Independent Researcher(独立研究员)
提出一种结合强化学习循环的视觉-语言-动作策略,通过自值函数实现优势估计、故障检测和候选选择,在LeHome Challenge 2026中获得在线第一名和离线第二名。
2026-09-22 cs.AI cs.LG cs.RO
FASTER: Rethinking Real-Time Flow VLAs
The University of Hong Kong(香港大学);ACE Robotics(ACE机器人)
本文提出FASTER方法,通过引入时间感知调度策略,显著降低实时流视频语言动作系统的反应延迟,提升动态任务中的轨迹生成效率与质量。
2026-05-16 cs.CV cs.RO
AR-VLA: True Autoregressive Action Expert for Vision-Language-Action Models
KU Leuven, Dept. Mechanical Engineering, Research unit Robotics, Automation and Mechatronics(库勒恩大学,机械工程系,机器人、自动化与机电一体化研究单位);KU Leuven, Dept. Electrical Engineering, Research unit Processing Speech and Images(库勒恩大学,电气工程系,语音和图像处理研究单位)
AR-VLA提出了一种自回归动作专家,通过长时记忆保持上下文,解决快控与慢思的频率不匹配问题,实现高效预训练和模块化集成,提升动作生成的时空一致性。
2026-05-11 cs.AI cs.RO
StreamingVLA: Streaming Vision-Language-Action Model with Action Flow Matching and Adaptive Early Observation
Tsinghua University(清华大学);Lenovo Group Ltd.(联想集团有限公司)
本文提出StreamingVLA模型,通过异步并行化视觉-语言-动作阶段,减少延迟和中断,实现2.4倍的延迟提升和6.5倍的执行中断减少。
2026-03-30 cs.CV cs.RO
Xiaomi-Robotics-0: An Open-Sourced Vision-Language-Action Model with Real-Time Execution
Xiaomi Robotics(小米机器人)
本文提出Xiaomi-Robotics-0,通过精心设计的训练配方和部署策略,实现了高效且流畅的实时执行。模型在大规模跨体机器人轨迹和视觉语言数据上预训练,支持广泛的动作生成能力,并在真实机器人任务中表现出色。
2026-03-25 cs.LG cs.RO
REACT: Rolling Denoising and Dual Decoupling for Reactive Robot Control with VLA Models
Shanghai Jiao Tong University(上海交通大学);PrimeBot;Zhejiang University(浙江大学);ShanghaiTech University(上海科技大学);National University of Singapore(新加坡国立大学)
REACT是一种滚动去噪与双解耦框架,用于优化基于VLA模型的反应式机器人控制,在RoboTwin 2.0仿真及真实任务中提升了任务成功率、降低延迟并生成更平滑轨迹。
2026-10-09 cs.AI cs.RO
KerColle: Unlocking Fine-Grained GPU Concurrency in Vision-Language-Action Models
University of Toronto(多伦多大学);Max Planck Institute for Software Systems (MPI-SWS)(马克斯·普朗克软件系统研究所(MPI-SWS))
KerColle提出轻量级GPU调度框架,通过在线SM利用率与内核资源需求动态协同调度,缓解队头阻塞,实现VLA模型两阶段并发,提升吞吐量高达28%。
2026-09-22 cs.AR cs.RO
Real-Time Execution of Action Chunking Flow Policies
Physical Intelligence(物理智能);UC Berkeley(伯克利大学)
本文提出实时分块(RTC)方法,通过在执行当前动作分块的同时生成下一个分块,实现动作分块策略的实时异步执行,提升任务吞吐量和精确任务成功率。
2025-12-05 cs.AI cs.LG cs.RO
A Vision-Language-Action-Critic Model for Robotic Real-World Reinforcement Learning
Shanghai AI Lab(上海人工智能实验室)
本文提出VLAC模型,将过程奖励评判与动作策略统一于单一视觉-语言模型,通过密集进度信号、一次性迁移和人在环分级干预,在真实机器人操作任务中显著提升样本效率与成功率。
2025-09-19 cs.AI cs.RO
AutoMoT: A Unified Vision-Language-Action Model with Asynchronous Mixture-of-Transformers for End-to-End Autonomous Driving
Nanyang Technological University, Singapore(南洋理工大学,新加坡);Harvard University, US(哈佛大学,美国)
本文提出AutoMoT,一种统一视觉-语言-动作模型,通过异步混合变换器架构解决自动驾驶中推理与动作空间分布不一致、推理效率低等问题,实验证明其在多基准测试中表现优异。
2026-05-14 cs.CV cs.RO
RoboBRIDGE: A Modular Framework for Bridging Policies to Robust Real-World Robotic Agents
Sungkyunkwan University(成均馆大学)
该研究针对视觉-语言-动作模型部署为机器人智能体的缺陷,提出 RoboBRIDGE 模块化框架,通过五大协同模块结合预训练 VLAs 构建鲁棒智能体,在多基准和现实场景中性能优于现有方案。
2026-07-31 cs.AI cs.RO
SOP: A Scalable Online Post-Training System for Vision-Language-Action Models
Agibot Research(Agibot研究机构);Shanghai Innovation Institute(上海创新研究院)
SOP系统通过在线分布式后训练提升视觉-语言-动作模型在现实世界中的性能,实现高效可靠的多任务适应。
2026-01-06 cs.RO
Fast ECoT: Efficient Embodied Chain-of-Thought via Thoughts Reuse
University College London(伦敦大学学院);University of Freiburg(弗赖堡大学);Cisco Research(思科研究)
本文提出 Fast ECoT,通过缓存重用高层推理、并行生成模块化步骤及异步调度,在不改模型、不额外训练的情况下降低 ECoT 推理延迟最多 7.5%,并保持或提升任务成功率与推理忠实度。
2025-09-21 cs.RO
NebulaVLA: A Dual-Frequency Vision-Language-Action Model With Guide Action for Robotic Manipulation
ZTE Corporation(中兴通讯股份有限公司)
NebulaVLA是一种异步双频VLA模型,通过解耦语义推理与动作控制、引入GESTURE-7表示及引导动作算法,在LIBERO-Plus上以85.5%成功率、约2.7倍速度优于同步基线,实现高效机器人操纵控制。
2026-08-18 cs.AI cs.RO
Latency-Tolerant Cloud-Edge Collaborative Vision-Language-Action Models via Emergent Representational Specialization
针对移动机器人VLA部署的时延冲突,提出CloudEdgeVLA云边协同策略,通过表征学习处理时间错位,在LIBERO套件上远优于基线,实现高时延下的高任务成功率。
2026-09-17 cs.AI cs.RO cs.SY
Reflex: Enabling Fast and Predictive Vision-Language-Action Models for Reaction-Critical Manipulation
Shanghai Jiao Tong University(上海交通大学)
针对现有VLA模型忽略动态交互场景的问题,提出面向反应关键型操作的ReflexBench基准与无需大规模机器人数据预训练的ReflexVLA模型,其可提升动态操作性能并保持静态操作精度。
2026-08-17 cs.AI cs.RO
Dual-Stream Diffusion for World-Model Augmented Vision-Language-Action Model
Kim Jaechul Graduate School of AI, Korea Advanced Institute of Technology, Seoul, Republic of Korea(金 Jaechul 人工智能研究生院,韩国科学技术院,首尔,大韩民国)
提出DUST框架,通过双流扩散Transformer和异步采样方法,解决世界模型增强的视觉-语言-动作模型中的模态差距问题,在模拟和真实任务中取得显著性能提升。
2026-05-28 cs.CV cs.RO
Characterizing Vision-Language-Action Models across XPUs: Constraints and Acceleration for On-Robot Deployment
School of Computer Science, Shanghai Jiao Tong University(上海交通大学计算机科学学院)
本文研究了视觉-语言-动作模型在机器人上的部署问题,通过模型与硬件的协同分析,揭示了边缘加速器在成本、能耗和时间上的优化潜力,并提出DP-Cache和V-AEFusion方法提升性能。
2026-04-27 cs.AI cs.RO
WayFinder: Hierarchical Visual-Language-Action for Zero-Shot Waypoint Generation and Low-Level Kinematic Control
San Diego State University(圣地亚哥州立大学);University of California, Irvine(加利福尼亚大学尔湾分校)
WayFinder提出分层VLA框架,解耦高级推理与低级控制,零样本生成航点,在AirSim中提升导航成功率最高27.45%,无需微调。
2026-09-30 cs.RO
Principal Steering Subspaces for Online Adaptation of Frozen Generative Robot Policies
University of Michigan(密歇根大学);XPENG Robotics(小鹏机器人)
提出主转向子空间(PSS),利用解码器响应构建低维控制基,通过软演员-评论家在线自适应冻结生成式机器人策略,在多个任务上加速收敛、提升性能,并成功应用于类人VLA策略。
2026-09-29 cs.RO
Fast-in-Slow: A Dual-System Foundation Model Unifying Fast Manipulation within Slow Reasoning
The Chinese University of Hong Kong(香港中文大学);State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University(北京大学计算机科学学院多媒体信息处理国家重点实验室);AI 2 Robotics(人工智能与机器人);Beijing Academy of Artificial Intelligence (BAAI)(北京人工智能研究院)
本文提出Fast-in-Slow(FiS),一种统一双系统视觉-语言-动作模型,将系统1执行模块嵌入基于VLM的系统2中,通过部分参数共享和双感知协同训练实现高频操作与高层推理协调,在仿真和真实任务中成功率分别提升8%和11%,控制频率达117.7 Hz。
2025-06-02 cs.RO
Remember Smarter: Visual History Compressor and Hyperbolic Experience Space for Robotic Memory
Xidian University(西安电子科技大学)
该研究提出即插即用模块 RS,通过双分支结构压缩视觉历史并组织经验,适配 pi0 后显著提升机器人任务成功率,在真实机器人实验中表现优异。
2026-08-18 cs.RO
A Vision-Language-Action Model for Adaptive Ultrasound-Guided Needle Insertion and Needle Tracking
Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong(香港中文大学机械与自动化工程系);Department of Computer Science and Engineering, The Hong Kong University of Science and Technology(香港科学与技术大学计算机科学与工程系);Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Department of Mechanical and Automation Engineering, T Stone Robotics Institute, Shun Hing Institute of Advanced Engineering, Multi-Scale Medical Robotics Center, and Institute of Medical Intelligence and XR, The Chinese University of Hong Kong(香港中文大学机械与自动化工程系、T Stone机器人研究所、Shun Hing先进工程研究所、多尺度医疗机器人中心以及医学智能与XR研究所)
本文提出视觉-语言-动作模型,用于实现自适应超声引导针插入与跟踪,通过跨深度融合和跟踪条件化注册提升跟踪精度与插入成功率。
2026-04-22 cs.AI cs.RO
Video2Act: A Dual-System Video Diffusion Policy with Robotic Spatio-Motional Modeling
State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University(信息处理国家重点实验室,北京大学计算机学院);AI 2 Robotics(AI与机器人);Hong Kong University of Science and Technology(香港科学与技术大学)
Video2Act通过整合空间和运动感知表示,提升机器人动作学习效率,其双系统设计在仿真和现实任务中均取得显著成果。
2026-03-24 cs.RO
CT-VAM: A Cerebello-Thalamic-Inspired Vision-Action Model for Efficient Visuomotor Control
University of Science and Technology of China(中国科学技术大学);AIRLab, Department of Automation(自动化系AIRLab)
提出CT-VAM模型,通过TARS条件注意力解码器融合异构输入,以68M参数实现与大型VLA模型相当的LIBERO成功率,并降低推理延迟,支持高频控制。
2026-06-08 cs.AI cs.RO
HarvestFlex: Strawberry Harvesting via Vision-Language-Action Policy Adaptation in the Wild
The Intelligent Equipment Research Center, Beijing Academy of Agriculture and Forestry Sciences(北京农业与林业科学研究院智能装备研究所);The School of Mechanical Electrical Engineering and Automation, Shanghai University(上海大学机械电子工程与自动化学院)
HarvestFlex通过视觉-语言-动作策略适应,在真实温室中实现了高效草莓采摘,成功率达74%。
2026-03-06 cs.CV cs.RO