StairVLA: Stage-Aware Hierarchical Action Generation for Vision-Language-Action Models

📄 arXiv: 2610.07756v1 📥 PDF

作者: Shangyuan Yuan, Xinda Qi, Yujiang Pu, Wenliang Guo, Xiaobo Tan

分类: cs.RO

发布日期: 2026-10-06

备注: Project page: https://dicomsky.github.io/projects/stairvla

💡 一句话要点

提出StairVLA以解决VLA模型生成动作效率低下问题

🎯 匹配领域: 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 动作生成 机器人控制 分层设计 去噪技术 实时处理 智能机器人

📋 核心要点

  1. 现有的VLA模型在生成连续动作时，处理去噪轨迹的方式过于均匀，未能充分利用不同去噪阶段的特性。
  2. 本文提出了StairVLA框架，通过阶段感知的分层设计，结合高层次的粗略动作生成与低层次的局部细化。
  3. 在LIBERO数据集上，StairVLA显著提高了成功率，并减少了推理延迟，展示了其在实际应用中的有效性。

📝 摘要（中文）

视觉-语言-动作（VLA）模型越来越依赖基于扩散或流匹配的动作头来生成连续的机器人动作。然而，现有方法在处理去噪轨迹时过于均匀，未能充分利用去噪阶段的特性。为此，本文提出了StairVLA，一个阶段感知的分层动作生成框架，通过部分去噪动作作为粗略长时间动作生成与局部细化之间的自然接口。高层VLA进行早期去噪以生成可重用的长时间部分去噪动作轨迹，而轻量级的细化器则在更高频率下利用最新观察对局部动作进行细化。实验结果表明，StairVLA在LIBERO数据集上将平均成功率从96.5%提升至97.8%，同时将每个动作块的推理延迟从115.0毫秒降低至44.2毫秒。

🔬 方法详解

问题定义：本文旨在解决现有VLA模型在生成连续动作时效率低下的问题。现有方法在处理去噪轨迹时未能充分利用不同去噪阶段的特性，导致生成的动作质量和效率不高。

核心思路：StairVLA框架的核心思想是通过阶段感知的分层设计，将粗略的长时间动作生成与局部细化相结合。高层次的VLA负责生成可重用的长时间部分去噪动作轨迹，而轻量级的细化器则在更高频率下进行局部动作的细化。

技术框架：StairVLA整体架构分为两个主要模块：高层VLA模块和轻量级细化器模块。高层VLA模块进行早期去噪，生成长时间的部分去噪动作轨迹；细化器模块则利用最新的视觉观察对局部动作进行频繁的细化。

关键创新：StairVLA的关键创新在于其阶段感知的设计理念，能够根据去噪阶段的不同需求动态调整动作生成策略。这一设计与现有方法的均匀处理方式形成了本质区别。

关键设计：在参数设置上，StairVLA采用了轻量级的细化器以降低计算开销，同时保持高频率的闭环校正。损失函数设计上，结合了去噪效果与动作对齐的目标，以确保生成动作的质量与准确性。细化器的网络结构经过优化，以适应实时处理的需求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在LIBERO数据集上，StairVLA的GR00T风格实例将平均成功率从96.5%提升至97.8%，同时将每个动作块的推理延迟从115.0毫秒降低至44.2毫秒，展示了显著的性能提升和效率优化。

🎯 应用场景

StairVLA框架在机器人控制、自动化任务执行等领域具有广泛的应用潜力。通过提高动作生成的效率和准确性，该研究能够推动智能机器人在复杂环境中的自主决策能力，提升其在实际应用中的表现和可靠性。

📄 摘要（原文）

Vision-language-action (VLA) models increasingly rely on diffusion- or flow-matching-based action heads to generate continuous robot actions. These action heads typically process the denoising trajectory in a largely uniform manner. However, we observe that the conditioning focus naturally shifts across denoising stages: early stages combine language instructions and visual observations to establish a coarse action trajectory, whereas later stages place greater emphasis on current visual observations for action alignment. Based on this insight, we introduce StairVLA, a stage-aware hierarchical action generation framework that uses partially denoised actions as a natural interface between coarse long-horizon action generation and local refinement. A high-level VLA performs early denoising to produce a reusable long-horizon partially denoised action trajectory, while a lightweight refiner operates at a higher frequency to refine local action chunks using the latest observations. This design amortizes expensive high-level VLA computation while preserving frequent closed-loop correction. On LIBERO, our GR00T-style instantiation improves average success from 96.5% to 97.8% while reducing amortized inference latency from 115.0 ms to 44.2 ms per action chunk. More broadly, across two VLA backbones, simulation benchmarks, and real-robot tasks, StairVLA consistently reduces inference cost while maintaining strong task performance.