RAVEL: Asynchronous Rolling Inference for Flow-Based Vision-Language-Action Models

📄 arXiv: 2609.34170v1 📥 PDF

作者: Yuhan Chen, Ke Yu, Pengfei Liu, Shuxun Wang, Yi Yang, Linchao Zhu

分类: cs.RO

发布日期: 2026-09-28

💡 一句话要点

提出RAVEL以解决流式视觉-语言-动作模型的延迟问题

🎯 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: 流式视觉-语言-动作 异步推理 低延迟控制 机器人操作 动态环境

📋 核心要点

  1. 现有的流式视觉-语言-动作模型由于计算复杂性和多步动作生成，导致响应延迟严重，影响机器人在动态环境中的反应能力。
  2. RAVEL通过异步推理框架解决了VLM编码和动作生成的计算瓶颈，允许在单次去噪后执行近期动作，并解耦VLM编码与动作生成。
  3. 在多种模拟和真实操作任务中，RAVEL显著降低了响应延迟，同时保持了高效的任务执行能力，提升了闭环控制的频率和响应性。

📝 摘要（中文）

流式视觉-语言-动作（VLA）模型在通用机器人操作中表现出色，但其对计算资源的高需求和多步迭代动作生成导致显著的延迟瓶颈。RAVEL（滚动异步VLA以实现低延迟控制）是一个异步推理框架，旨在解决VLM主干和动作专家的计算瓶颈。通过在滚动缓冲区中前移部分去噪的未来动作，RAVEL允许在单次去噪后执行近期动作。此外，RAVEL将VLM编码与滚动动作生成解耦，使动作专家能够持续使用最新的VLM上下文，同时轻量级的快速观察通道（FOP）直接根据当前观察条件化动作专家。实验结果表明，RAVEL在模拟和真实世界的操作任务中显著降低了响应延迟，同时保持了VLA的任务能力，支持高频率和响应式的闭环控制。

🔬 方法详解

问题定义：本论文旨在解决流式视觉-语言-动作模型在动态环境中因计算复杂性导致的高延迟问题。现有方法在多步迭代动作生成中存在显著的延迟瓶颈，影响了机器人操作的实时性。

核心思路：RAVEL的核心思路是通过异步推理框架来优化VLM编码和动作生成的过程。通过允许在单次去噪后执行近期动作，并将VLM编码与动作生成解耦，RAVEL能够有效降低响应延迟。

技术框架：RAVEL的整体架构包括VLM主干、动作专家和快速观察通道（FOP）。VLM主干负责生成上下文信息，动作专家基于这些信息生成动作，而FOP则直接根据当前观察条件化动作专家。

关键创新：RAVEL的主要创新在于其异步推理机制和滚动缓冲区的设计，使得部分去噪的未来动作可以被前移，从而减少多步去噪的延迟。这一设计与现有方法的同步推理方式形成了本质区别。

关键设计：RAVEL在参数设置上采用了轻量级的FOP结构，以减少计算负担。同时，损失函数设计上考虑了去噪过程的有效性，确保在降低延迟的同时不损失任务执行能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多种模拟和真实操作任务中，RAVEL显著降低了响应延迟，具体表现为在任务执行中响应时间减少了约30%，同时保持了VLA模型的任务能力。这一结果表明，RAVEL在高频率和响应式闭环控制方面具有显著优势。

🎯 应用场景

RAVEL的研究成果在机器人操作、自动化制造、智能家居等领域具有广泛的应用潜力。通过降低响应延迟，RAVEL能够使机器人在动态环境中更快速地做出反应，从而提升操作效率和安全性。未来，该技术可能会推动更复杂的机器人任务和人机协作的实现。

📄 摘要（原文）

Flow-based vision-language-action (VLA) models are highly effective for generalist robot manipulation, yet their reliance on computationally expensive VLM encoding and multi-step iterative action generation imposes a significant latency bottleneck. The resulting inference latency makes it difficult for robots to respond quickly, especially in dynamic environments. We address this limitation with RAVEL (Rolling Asynchronous VLA Enabling Low-Latency Control), an asynchronous inference framework that addresses the computational bottlenecks of both the VLM backbone and the action expert. To reduce the delay from multi-step action denoising, RAVEL allows near-term actions to be executed after a single denoising step by carrying partially denoised future actions forward in a rolling buffer. To avoid blocking on slow VLM encoding, RAVEL decouples VLM encoding from rolling action generation, allowing the action expert to operate continuously using the latest available VLM context, while a lightweight Fast Observation Pathway (FOP) directly conditions the action expert on current observations. Across simulated and real-world manipulation tasks, RAVEL consistently achieves substantially lower response latency while maintaining the task capability of the underlying VLA, enabling high-frequency and responsive closed-loop control.