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: 视觉语言动作模型 机器人操作 动作连贯性 测试时引导 模仿学习

📋 核心要点

  1. VLA模型在模仿学习中易受人类演示数据噪声的影响，导致动作连贯性降低，影响机器人操作的稳定性和精度。
  2. 提出动作连贯性引导（ACG）方法，作为一种无需训练的测试时策略，旨在提升VLA模型的动作连贯性。
  3. 在多个机器人操作任务数据集和真实机器人实验中，ACG显著提高了动作连贯性并提升了任务成功率。

📝 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，使得视觉-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它们对人类演示中的噪声非常敏感，例如急动、停顿和抖动，这些都会降低动作的连贯性。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。在本文中，我们提出了VLA模型的动作连贯性引导（ACG），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始终如一地提高了动作连贯性，并提高了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VLA模型，特别是基于扩散模型和流匹配模型的VLA模型，虽然具有很强的泛化能力，但容易受到训练数据中人类演示噪声的影响。这些噪声包括不必要的急动、停顿和抖动，导致模型生成的动作序列不连贯，进而影响机器人在实际操作中的稳定性和精度。尤其是在精细操作任务中，动作的不连贯性会导致轨迹漂移和任务失败。

核心思路：ACG的核心思路是在测试阶段，通过引导VLA模型的输出，使其生成的动作序列更加连贯。具体来说，ACG利用动作序列的平滑性作为约束，鼓励模型生成更加平滑和连贯的动作。这种引导不需要额外的训练，可以在测试时直接应用，从而提高模型的鲁棒性和性能。

技术框架：ACG是一种测试时引导算法，其整体框架如下：1. 给定视觉输入和语言指令，VLA模型生成初始的动作序列。2. ACG对该动作序列进行迭代优化，通过引入一个连贯性损失函数，鼓励动作序列更加平滑。3. 优化后的动作序列被发送到机器人执行器，完成相应的操作任务。该框架的关键在于连贯性损失函数的设计。

关键创新：ACG的关键创新在于提出了一种无需训练的测试时引导方法，通过优化动作序列的连贯性来提高VLA模型的性能。与需要重新训练模型或引入额外训练数据的方法不同，ACG可以直接应用于现有的VLA模型，具有很强的通用性和实用性。此外，ACG的连贯性损失函数的设计也考虑了动作序列的平滑性和连续性，能够有效地抑制噪声和提高动作的连贯性。

关键设计：ACG的关键设计在于连贯性损失函数。该损失函数通常包含两部分：一部分是衡量动作序列平滑性的项，例如相邻动作之间的差异的平方和；另一部分是衡量动作序列与原始VLA模型输出一致性的项，例如动作序列与原始输出之间的距离。通过调整这两部分的权重，可以控制ACG对原始VLA模型输出的修改程度。此外，ACG通常采用迭代优化的方式来最小化连贯性损失函数，例如梯度下降法。具体的参数设置，如迭代次数和学习率，需要根据具体的任务和VLA模型进行调整。

🖼️ 关键图片

img_0

📊 实验亮点

在RoboCasa、DexMimicGen和真实世界的SO-101任务上的实验结果表明，ACG能够显著提高VLA模型的动作连贯性和任务成功率。例如，在SO-101真实机器人任务中，ACG将成功率从基线的X%提高到Y%（具体数据请参考原论文），证明了ACG在实际应用中的有效性。此外，实验还表明，ACG对不同的VLA模型和不同的操作任务都具有良好的泛化能力。

🎯 应用场景

ACG具有广泛的应用前景，可以应用于各种需要机器人进行精细操作的场景，例如医疗手术、精密制造、家庭服务等。通过提高VLA模型的动作连贯性和稳定性，ACG可以显著提高机器人在这些场景中的工作效率和可靠性。未来，ACG可以与其他机器人控制技术相结合，例如强化学习和运动规划，进一步提高机器人的自主性和智能性。

📄 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.