ACG: Action Coherence Guidance for Flow-based VLA models

📄 arXiv: 2510.22201v1 📥 PDF

作者: Minho Park, Kinam Kim, Junha Hyung, Hyojin Jang, Hoiyeong Jin, Jooyeol Yun, Hojoon Lee, Jaegul Choo

分类: cs.RO

发布日期: 2025-10-25

🔗 代码/项目: GITHUB | PROJECT_PAGE

💡 一句话要点

提出动作连贯性引导（ACG）方法，提升基于流的VLA模型在机器人操作任务中的性能

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 机器人操作 视觉-语言-动作模型 动作连贯性 模仿学习 测试时引导

📋 核心要点

  1. 基于模仿学习的VLA模型易受人类演示数据中噪声的影响，导致动作连贯性降低，影响机器人操作的稳定性。
  2. 论文提出动作连贯性引导（ACG）方法，通过在测试时引导模型，提高生成动作的连贯性，无需重新训练。
  3. 在多个机器人操作任务上的实验表明，ACG能够有效提高动作连贯性，并显著提升任务成功率。

📝 摘要（中文）

扩散模型和流匹配模型已成为强大的机器人策略，使视觉-语言-动作（VLA）模型能够在不同的场景和指令中泛化。然而，当通过模仿学习进行训练时，它们的高生成能力使得模型对人类演示中的噪声非常敏感，例如抖动、停顿和不稳定的动作，从而降低了动作的连贯性。动作连贯性的降低会导致部署期间的不稳定性和轨迹漂移，这在需要精细操作的任务中是灾难性的。本文提出了一种针对VLA模型的动作连贯性引导（ACG）方法，这是一种无需训练的测试时引导算法，可以提高动作连贯性，从而提高性能。在RoboCasa、DexMimicGen和真实世界的SO-101任务上的评估表明，ACG能够持续提高动作连贯性，并提高各种操作任务的成功率。

🔬 方法详解

问题定义：现有基于模仿学习的视觉-语言-动作（VLA）模型，特别是基于扩散模型和流匹配模型的VLA模型，在训练时容易受到人类演示数据中噪声的影响。这些噪声包括不必要的抖动、停顿和不稳定的动作，导致模型生成的动作序列缺乏连贯性。这种不连贯性会在实际部署时导致轨迹漂移和操作失败，尤其是在需要高精度操作的场景中，问题尤为突出。

核心思路：ACG的核心思路是在测试阶段，通过引导模型生成更连贯的动作序列来提高性能。具体来说，ACG利用模型自身的预测能力，对生成的动作序列进行平滑处理，从而减少噪声和不连贯性。这种方法不需要额外的训练数据或模型修改，可以在测试时直接应用。

技术框架：ACG是一种测试时引导算法，其整体流程如下：1. VLA模型根据视觉输入和语言指令生成初始的动作序列。2. ACG算法对该动作序列进行迭代优化，每次迭代都基于模型自身的预测结果来调整动作序列，使其更加平滑和连贯。3. 优化后的动作序列作为最终的机器人控制指令。该框架不依赖特定的VLA模型架构，可以灵活地应用于不同的基于流的VLA模型。

关键创新：ACG的关键创新在于其无需训练的测试时引导方法。与传统的需要重新训练或微调模型的方法不同，ACG可以直接应用于现有的VLA模型，而无需修改模型的结构或参数。这种方法具有更高的灵活性和实用性，可以快速提升现有模型的性能。此外，ACG利用模型自身的预测能力来引导动作序列的优化，避免了引入额外的外部信息或先验知识。

关键设计：ACG算法的关键设计在于如何定义和优化动作序列的连贯性。论文中可能使用了某种平滑损失函数，例如基于动作序列的一阶或二阶导数来衡量连贯性。优化的过程可能采用梯度下降或其他优化算法，目标是最小化平滑损失函数，同时保持动作序列与原始预测结果的一致性。具体的参数设置，例如迭代次数、学习率等，可能需要根据具体的任务和模型进行调整。

📊 实验亮点

ACG在RoboCasa、DexMimicGen和真实世界的SO-101任务上进行了评估，实验结果表明，ACG能够持续提高动作连贯性，并显著提升任务成功率。具体的数据提升幅度未知，但摘要中强调了“consistently improves action coherence and boosts success rates across diverse manipulation tasks”，表明ACG具有良好的泛化能力和实用价值。

🎯 应用场景

ACG方法具有广泛的应用前景，可以应用于各种需要高精度和稳定性的机器人操作任务中，例如工业自动化、医疗手术、家庭服务等。通过提高机器人动作的连贯性和可靠性，ACG可以显著提升机器人的工作效率和安全性，使其能够更好地适应复杂和动态的环境。此外，ACG的无需训练特性使其可以快速部署到现有的机器人系统中，降低了应用成本。

📄 摘要（原文）

Diffusion and flow matching models have emerged as powerful robot policies, enabling Vision-Language-Action (VLA) models to generalize across diverse scenes and instructions. Yet, when trained via imitation learning, their high generative capacity makes them sensitive to noise in human demonstrations: jerks, pauses, and jitter which reduce action coherence. Reduced action coherence causes instability and trajectory drift during deployment, failures that are catastrophic in fine-grained manipulation where precision is crucial. In this paper, we present Action Coherence Guidance (ACG) for VLA models, a training-free test-time guidance algorithm that improves action coherence and thereby yields performance gains. Evaluated on RoboCasa, DexMimicGen, and real-world SO-101 tasks, ACG consistently improves action coherence and boosts success rates across diverse manipulation tasks. Code and project page are available at https://github.com/DAVIAN-Robotics/ACG and https://DAVIAN-Robotics.github.io/ACG , respectively.