SkipVLA: Skipping VLA Steps with Classical Planning for Fast Robot Manipulation

📄 arXiv: 2609.20648v1 📥 PDF

作者: Kaivalya Agrawal, Md Ashiqur Rahman, Raymond A. Yeh, Zachary Kingston

分类: cs.RO

发布日期: 2026-09-17

备注: This work has been submitted to the IEEE for possible publication

💡 一句话要点

提出SkipVLA以解决机器人操作中的效率问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 机器人操作 混合策略 运动规划 视觉-语言模型 任务效率 能耗优化 抓取与放置 长时间任务

📋 核心要点

  1. 现有的VLA模型在长时间任务中速度较慢，尤其是在需要多次查询的情况下，影响了机器人操作的效率。
  2. SkipVLA通过结合预训练的VLA与经典运动规划器，优化了机器人在自由空间的运动规划，减少了对VLA的查询频率。
  3. 实验表明，SkipVLA在任务完成速度和能耗方面有显著提升，且保持了相同的任务成功率，验证了其有效性。

📝 摘要（中文）

Vision-Language-Action (VLA)模型是一类将相机图像和语言指令直接映射到机器人动作的通用策略。尽管前景广阔，但这些模型在测试时速度较慢，尤其是在需要多次查询策略的长时间任务中。本文提出了SkipVLA，一种将预训练的VLA与经典运动规划器相结合的混合策略，利用规划器进行自由空间运动，仅在接触丰富的技能（如抓取和放置）中查询VLA。SkipVLA重用VLA的视觉-语言骨干网络来预测每个规划动作的目标姿态，并通过利用大规模VLA已学到的知识来学习这一预测器，而无需额外的演示。实验结果表明，SkipVLA在13个LIBERO任务的仿真和三个物理6自由度YAM臂的抓取-放置任务中，任务完成速度提高了2.5倍，能耗显著降低，同时任务成功率保持不变。

🔬 方法详解

问题定义：本文旨在解决现有VLA模型在长时间任务中响应速度慢的问题。现有方法在执行复杂任务时，依赖于多次查询VLA，导致效率低下。

核心思路：SkipVLA的核心思想是将经典运动规划与VLA相结合，利用运动规划器进行自由空间的运动，而仅在需要进行接触操作时调用VLA，从而提高整体效率。

技术框架：SkipVLA的整体架构包括两个主要模块：预训练的VLA模型和经典运动规划器。运动规划器负责生成无碰撞的运动路径，而VLA则用于处理抓取和放置等复杂操作。

关键创新：SkipVLA的创新之处在于其混合策略，通过重用VLA的视觉-语言骨干网络来预测目标姿态，避免了额外的演示数据需求。这种设计使得系统在保持高效性的同时，能够利用已有的知识。

关键设计：在SkipVLA中，关键设计包括如何设置运动规划器的目标姿态预测，以及如何优化VLA的查询频率。此外，损失函数的设计也确保了模型在学习过程中能够有效地利用已有的知识。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SkipVLA在实验中表现出显著的性能提升，任务完成速度提高了2.5倍，能耗显著降低，同时保持了相同的任务成功率。这些结果表明，SkipVLA在机器人操作中的有效性和实用性。

🎯 应用场景

SkipVLA的研究成果在机器人操作领域具有广泛的应用潜力，尤其是在需要高效执行复杂任务的场景中，如智能仓储、自动化生产线和服务机器人等。未来，该方法可能会推动机器人技术在实际应用中的普及与发展。

📄 摘要（原文）

Vision-Language-Action (VLA) models are a class of generalist robot policies that map camera images and language instructions directly to robot actions. While promising, these models remain slow at test time, particularly for long-horizon tasks that require many queries to the policy. Recent efforts reduce VLA latency by distilling smaller models, overlapping asynchronous action chunks, or pairing the VLA with a fast low-level policy, but still run a learned policy for the entire task. In contrast to VLA, classical motion planners quickly find collision-free motions, but require an explicit goal and have no semantic understanding of the task. In this work, we present SkipVLA, a hybrid policy that combines a pretrained VLA with a classical motion planner, using the planner for free-space motion and querying the VLA only for contact-rich skills such as grasping and placing. SkipVLA reuses the frozen vision-language backbone of the VLA to predict a target pose for each planned motion, and learns this predictor without additional demonstrations introduced into the system by using what was already learnt by the large VLA. We evaluate SkipVLA with three VLAs on 13 LIBERO tasks in simulation and three pick-and-place tasks on a physical 6-DoF YAM arm, demonstrating up to 2.5x faster task completion and significantly lower energy consumption while achieving the same task success rate.