PathTime-VLA: Path-Time Decoupling for Factorized Post-Training of Vision-Language-Action Policies

📄 arXiv: 2610.11771v1 📥 PDF

作者: Qing Huang, Yifei Yang, Ziqing Zou, Anzhe Chen, Zhenjie Zhu, Yufei Wei, Rong Xiong, Yue Wang

分类: cs.RO

发布日期: 2026-10-08

备注: 8 pages, 7 figures

💡 一句话要点

提出PathTime-VLA以解决视觉-语言-动作策略的时间耦合问题

🎯 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: 视觉-语言-动作 路径规划 时间解耦 机器人学习 适应性控制 多模态学习

📋 核心要点

  1. 现有的VLA策略在时间和路径之间存在耦合，导致从遥控操作适应时的复杂性增加。
  2. PathTime-VLA通过引入路径-时间参数化，允许在固定几何预测目标下进行灵活的速度选择。
  3. 实验结果显示，PathTime-VLA在多个任务中取得了更高的成功率和更短的完成时间，表现优于基线方法。

📝 摘要（中文）

视觉-语言-动作（VLA）策略通常在固定时间间隔内预测动作，这种耦合使得从遥控操作的适应变得复杂。本文的关键见解是将经典运动规划中的路径-时间参数化引入到VLA的学习动作表示中。我们提出PathTime-VLA，通过进度索引交互路径$X(s)$和正间隔时间轮廓来表示运动，允许在不改变几何预测目标的情况下进行速度选择。该方法在三个任务中表现出色，成功率达到58/60，且成功试验的平均完成时间缩短了39%-52%。

🔬 方法详解

问题定义：本文旨在解决视觉-语言-动作策略中路径与时间的耦合问题，现有方法在从遥控操作适应时面临复杂性和效率的挑战。

核心思路：PathTime-VLA通过将经典运动规划中的路径-时间参数化引入到学习的动作表示中，允许在不改变几何目标的情况下进行速度选择，从而简化适应过程。

技术框架：该方法的整体架构包括三个主要阶段：首先通过演示和DAgger干预建立目标领域先验；其次，Speed-DQN从机器人交互中学习执行乘数；最后，Path-AWR利用回滚结果来优化扩散路径生成器。

关键创新：PathTime-VLA的核心创新在于将路径和时间解耦，允许在固定几何预测目标下灵活选择速度，这与现有方法的耦合策略形成鲜明对比。

关键设计：在技术细节上，PathTime-VLA使用进度索引交互路径$X(s)$和单调时间法则$t(s)$，并设计了适应性的控制命令$X(s(t))$，确保路径生成和执行时间的学习接口相互独立。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在三个任务中，PathTime-VLA的成功率达到58/60，相较于基线方法的57/60，表现出更高的效率。同时，成功试验的平均完成时间缩短了39%-52%，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括机器人导航、自动驾驶和人机协作等场景。通过优化路径与时间的解耦，PathTime-VLA能够提高机器人在复杂环境中的适应能力和执行效率，具有重要的实际价值和未来影响。

📄 摘要（原文）

Vision-Language-Action (VLA) policies typically predict actions at fixed time intervals, coupling the route a robot follows with its execution pace. This coupling complicates adaptation from teleoperation: useful geometric guidance comes with timing shaped by interface delays and operator behavior. Our key insight is to bring the path-time parameterization of classical motion planning into the learned action representation of a VLA. We introduce PathTime-VLA, which represents motion as a progress-indexed interaction path $X(s)$ and a positive interval-time profile. The latter defines a monotone time law $t(s)$, yielding controller commands $X(s(t))$. For a given path, alternative executions are expressed through the time profile, allowing chunk-wise speed choices without changing the geometric prediction target. This representation supports a staged post-training procedure: demonstrations and DAgger interventions establish a target-domain prior, Speed-DQN learns execution multipliers from robot interaction, and Path-AWR uses rollout outcomes to refine the diffusion path generator. A path-conditioned action expert realizes the resulting motions while maintaining distinct learning interfaces for path generation and execution timing. Across three tasks, the complete method achieves $58/60$ successes versus $57/60$ for PathTime-VLA under BC + DAgger at fixed $1\times$, with approximately $39$-$52\%$ shorter mean completion times over successful trials.