CereVLA: Cerebellum-Inspired Consequence-Aware Residual Governance for Efficient Vision-Language-Action Execution

📄 arXiv: 2609.27468v1 📥 PDF

作者: Shuai Zeng, Yuxuan Liang, Hangmiao Hu, Fobao Zhou, Zixiang Wang, Wenxi Hong, Hang Zhao

分类: cs.CV, eess.SY

发布日期: 2026-09-23

备注: 8 pages, 5 figures

💡 一句话要点

提出CereVLA以解决视觉-语言-行动执行中的反馈不足问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-行动 小脑启发 后果感知 残差治理 机器人控制 自动驾驶 人机交互

📋 核心要点

  1. 现有的视觉-语言-行动策略在执行过程中反馈不足，导致执行误差的累积，影响任务成功率。
  2. 本文提出CereVLA框架，通过流式残差精炼和后果评估来优化已冻结的VLA执行，提升执行的准确性和效率。
  3. 实验结果显示，CereVLA在SO-101任务上的成功率从57.5%提升至90.0%，成功试验中的平均控制步骤减少了19.6%。

📝 摘要（中文）

行动分块的视觉-语言-行动（VLA）策略提高了推理效率，但在已承诺的行动块内反馈有限可能导致执行误差的累积。残差适应可以在不重新训练VLA的情况下纠正这些偏差，但现有的纠正方法通常优化参考行动的一致性，而未明确考虑其下游后果。为了解决这一局限性，本文提出了基于小脑的后果感知残差治理（CereVLA），这是一个将轻量级残差精炼和预测后果评估整合到冻结VLA执行中的统一框架。纠正动作首先通过基于流的残差精炼生成，然后通过递归状态空间模型和历史感知分类器评估其短期和区间后果。预测为不利的残差纠正将被轻量级治理器选择性抑制。与最先进的方法在LIBERO-10和LIBERO-GOAL上的比较证明了CereVLA的有效性。

🔬 方法详解

问题定义：本文旨在解决视觉-语言-行动执行中由于反馈不足导致的执行误差累积问题。现有方法在承诺的行动块内缺乏有效的反馈机制，导致执行偏差无法及时纠正。

核心思路：CereVLA框架通过引入小脑启发的后果感知机制，结合流式残差精炼和后果预测，能够在不重新训练VLA的情况下有效纠正执行偏差。这样的设计使得模型能够在执行过程中实时评估和调整其行为。

技术框架：CereVLA的整体架构包括两个主要模块：首先是流式残差精炼模块，用于生成纠正动作；其次是后果评估模块，通过递归状态空间模型和历史感知分类器评估这些纠正动作的短期和长期后果。

关键创新：CereVLA的核心创新在于将后果感知机制引入残差治理中，允许模型在执行过程中动态调整其行为，显著提升了执行的准确性和效率。这与传统方法的静态纠正策略形成鲜明对比。

关键设计：在模型设计中，采用了轻量级的治理器来选择性抑制不利的残差纠正，确保模型在执行时的灵活性和适应性。同时，损失函数的设计考虑了后果评估的准确性，以优化模型的整体性能。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

CereVLA在SO-101任务中的实验结果显示，任务成功率从57.5%提升至90.0%，成功试验中的平均控制步骤减少了19.6%。这些结果表明，CereVLA在提高执行效率和准确性方面具有显著优势，相较于冻结的SmolVLA基线，表现出更强的纠正能力。

🎯 应用场景

CereVLA框架具有广泛的应用潜力，尤其在机器人控制、自动驾驶和人机交互等领域。通过提高视觉-语言-行动系统的执行效率和准确性，能够显著提升这些系统在复杂环境中的适应能力和任务成功率，未来可能推动智能系统的更广泛应用。

📄 摘要（原文）

Action-chunked vision-language-action (VLA) policies improve inference efficiency, but limited feedback within committed action chunks can lead to accumulated execution errors. Residual adaptation can correct such deviations without retraining the VLA; however, existing corrections are typically optimized for reference-action consistency without explicitly considering their downstream consequences. To address this limitation, we present Cerebellum-Inspired Consequence-Aware Residual Governance (CereVLA), a unified framework that integrates lightweight residual refinement and predictive consequence evaluation into frozen VLA execution. Corrective actions are first generated by flow-based residual refinement, and their short- and interval-horizon consequences are then evaluated by a recurrent state-space model and a history-aware classifier. Residual corrections predicted to be unfavorable are selectively suppressed by a lightweight governor. Comparisons with state-of-the-art methods on LIBERO-10 and LIBERO-GOAL demonstrate the effectiveness of CereVLA. On SO-101, CereVLA increases task success from 57.5% to 90.0% and reduces mean control steps by 19.6% among successful trials, relative to the frozen SmolVLA baseline.