Technical Report: One-Step Drifting Action Heads for GR00T N1.7

📄 arXiv: 2609.18108v1 📥 PDF

作者: Xihe Shao

分类: cs.RO

发布日期: 2026-09-16

备注: For code and test result, see https://github.com/RealManShao/lerobot/tree/feat/drif-ov. For trained checkpoint, see https://huggingface.co/Xihe666/models

💡 一句话要点

提出一阶漂移动作头以降低视觉-语言-动作策略的推理成本

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

关键词: 视觉-语言-动作 推理成本 一阶漂移 闭环任务 异步块替换 速度与成功权衡 深度学习

📋 核心要点

  1. 现有的视觉-语言-动作策略在推理过程中存在较高的时间成本，影响了闭环任务的成功率。
  2. 本研究提出了一阶漂移动作头，替代了传统的迭代扩散变换器动作头，以实现更快的推理速度。
  3. 实验结果显示，虽然推理时间显著降低，但任务成功率却出现了系统性下降，表明存在速度与成功的权衡。

📝 摘要（中文）

一阶动作生成可以显著降低视觉-语言-动作（VLA）策略的推理成本，但其对闭环任务成功率的影响仍然是一个未解的问题。本技术报告研究了GR00T N1.7的一个变体，其中迭代扩散变换器动作头被一阶漂移动作头替代，并结合了异步块替换的重叠条件扩展。在LIBERO上，动作头的平均模型前向时间从约45.3毫秒降至5.0毫秒，而测得的主干加头时间从约70.0毫秒降至30.6毫秒。然而，这种加速伴随着任务成功率的系统性降低。三次漂移种子的成功率分别为LIBERO-Spatial的64.0±4.0%、LIBERO-Goal的52.0±1.0%和LIBERO-Long的26.0±2.6%。低种子方差表明降级并非仅由随机初始化解释。我们将结果视为速度与成功的权衡，而非整体改进，并讨论了可能的影响因素。

🔬 方法详解

问题定义：本论文旨在解决视觉-语言-动作（VLA）策略推理过程中的高时间成本问题。现有方法依赖于迭代扩散变换器，导致推理速度较慢，影响闭环任务的成功率。

核心思路：提出一阶漂移动作头，旨在通过简化动作生成过程来加速推理，同时结合异步块替换的重叠条件扩展，以提高效率。

技术框架：整体架构包括一阶漂移动作头和异步块替换机制。动作头负责生成动作，而重叠条件扩展则用于优化块的替换过程，从而提高系统的响应速度。

关键创新：最重要的创新在于将迭代扩散变换器替换为一阶漂移动作头，这一设计显著降低了推理时间，但也导致了任务成功率的下降。

关键设计：在实验中，使用了两台NVIDIA A800 GPU进行多种子漂移训练，设置了特定的参数以优化模型性能，并评估了不同任务的成功率与推理时间的关系。实验结果显示，主干加头的时间从70.0毫秒降至30.6毫秒，动作头的时间从45.3毫秒降至5.0毫秒。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，采用一阶漂移动作头后，动作头的平均模型前向时间从约45.3毫秒降至5.0毫秒，主干加头时间从约70.0毫秒降至30.6毫秒。然而，任务成功率却出现了下降，LIBERO-Spatial的成功率为64.0±4.0%、LIBERO-Goal为52.0±1.0%、LIBERO-Long为26.0±2.6%。

🎯 应用场景

该研究的潜在应用领域包括机器人控制、自动化决策系统以及智能助手等。通过降低推理时间，可以在实时系统中实现更高效的任务执行，尽管需要权衡速度与成功率的关系。未来的研究可以进一步优化这一平衡，以提升系统的整体性能。

📄 摘要（原文）

One-step action generation can substantially reduce the inference cost of vision-language-action (VLA) policies, but its effect on closed-loop task success remains an open question. This technical report studies a GR00T N1.7 variant in which the iterative diffusion-transformer action head is replaced by a one-step drifting action head, together with an overlap-conditioned extension for asynchronous chunk replacement. All multi-seed drifting runs were trained on two NVIDIA A800 GPUs. On LIBERO, the action head reduces the mean model-forward time of the action head from approximately $45.3\,\mathrm{ms}$ to $5.0\,\mathrm{ms}$, while the measured backbone-plus-head time falls from approximately $70.0\,\mathrm{ms}$ to $30.6\,\mathrm{ms}$. However, this speedup is accompanied by a systematic reduction in task success. Across three drifting seeds, success is $64.0\pm4.0\%$ on LIBERO-Spatial, $52.0\pm1.0\%$ on LIBERO-Goal, and $26.0\pm2.6\%$ on LIBERO-Long. The low seed variance indicates that the degradation is not explained by random initialization alone. We report the result as a speed--success trade-off rather than an overall improvement, and discuss likely contributing factors including deterministic one-step mode averaging, batch-dependent geometry estimation, long open-loop chunk execution, and the fact that synchronous LIBERO evaluation does not exercise the asynchronous overlap path.