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

📄 arXiv: 2609.20648v2 📥 PDF

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

分类: cs.RO

发布日期: 2026-09-17 (更新: 2026-09-18)

💡 一句话要点

提出SkipVLA以解决机器人操作中的延迟问题

🎯 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 运动规划 多模态学习 任务执行 能耗优化

📋 核心要点

  1. 现有的VLA模型在长时间任务中存在延迟问题，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，利用规划器处理自由空间运动，仅在需要复杂技能时调用VLA，从而提高了效率。
  3. 实验结果显示，SkipVLA在多个任务中实现了2.5倍的速度提升，并显著降低了能耗，同时保持了相同的成功率。

📝 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，但在测试时，尤其是对于需要多次查询策略的长时间任务，这些模型的速度仍然较慢。本文提出SkipVLA，一种结合预训练VLA与经典运动规划器的混合策略，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，并在不引入额外演示的情况下学习这一预测器。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，同时保持相同的任务成功率。

🔬 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存在的延迟问题，尤其是在需要多次查询的情况下，导致机器人操作效率低下。

核心思路：SkipVLA的核心思路是将预训练的VLA与经典运动规划器相结合，利用规划器快速找到无碰撞的运动路径，仅在需要复杂接触技能时调用VLA，从而减少延迟。

技术框架：SkipVLA的整体架构包括两个主要模块：经典运动规划器用于处理自由空间运动，VLA用于处理抓取和放置等接触丰富的技能。规划器生成运动路径后，VLA预测目标姿态。

关键创新：SkipVLA的创新在于将经典运动规划与VLA相结合，利用规划器的高效性和VLA的语义理解能力，显著提高了任务执行效率。与现有方法相比，SkipVLA减少了对VLA的依赖，降低了延迟。

关键设计：在设计中，SkipVLA重用VLA的视觉-语言骨干网络进行目标姿态预测，且在学习过程中不引入额外的演示，充分利用已有的知识。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SkipVLA在实验中表现出色，在13个LIBERO任务和三个物理抓取-放置任务中，任务完成速度提高了2.5倍，能耗显著降低，同时保持了相同的成功率，展示了其在实际应用中的优势。

🎯 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，尤其是在需要快速响应和高效执行的任务中，如工业自动化、服务机器人和家庭助理等。未来，该方法可能推动机器人在复杂环境中的自主操作能力，提升人机协作的效率。

📄 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.