REACT: Rolling Denoising and Dual Decoupling for Reactive Robot Control with VLA Models

📄 arXiv: 2610.12007v1 📥 PDF

作者: Houlong Xiong, Zhenqi Qiu, Zechen Wang, Suohang Zhang, Yiyu Ren, Wanting Xu, Hongfei Niu, Chengyang He, Ge Sun, Ran Cheng, Qian Zhu

分类: cs.RO, cs.AI

发布日期: 2026-10-08

备注: Accepted to CoRL 2026 as Spotlight. Project page: https://react-vla.github.io

💡 一句话要点

提出REACT框架以提升机器人控制的反应性和流畅性

🎯 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: 机器人控制 视觉-语言-动作 去噪技术 实时控制 动态环境 动作流 双重解耦 任务成功率

📋 核心要点

  1. 现有的基于流的VLA模型在动作块生成中存在反应性与平滑性之间的权衡，频繁的重新规划导致动作不连续。
  2. REACT框架通过维护持久的动作缓冲区和滚动去噪策略，提升了机器人控制的反应性，同时保持了长时间上下文。
  3. 在RoboTwin 2.0仿真和实际任务中，REACT显著提高了任务成功率，减少了反应延迟，并生成了更平滑的轨迹。

📝 摘要（中文）

基于流的视觉-语言-动作（VLA）模型生成的动作块在时间上保持一致性，但块状控制存在一个根本的闭环权衡：长块提供平滑执行，而频繁重新规划则提高反应性但导致动作不连续。本文提出REACT，一个滚动去噪框架，使基于流的VLA在保持长时间上下文的同时更加反应灵敏。REACT通过维护一个持久的动作缓冲区，使用最新观察对整个时间范围进行去噪，执行最干净的动作块，并部分优化未来块，最终实现更平滑的轨迹。通过双重解耦，REACT支持高频观察更新和动作流，在RoboTwin 2.0仿真基准和多机器人平台的实际任务中，显著提高了任务成功率并减少了反应延迟。

🔬 方法详解

问题定义：本文旨在解决基于流的视觉-语言-动作（VLA）模型在机器人控制中存在的反应性不足和动作不连续的问题。现有方法在长块控制与频繁重新规划之间存在权衡，导致执行效率低下。

核心思路：REACT框架的核心思想是通过维护一个持久的动作缓冲区，结合滚动去噪技术，使得机器人能够在执行动作时更好地利用历史观察数据，从而提高反应性和执行的平滑性。

技术框架：REACT的整体架构包括四个主要模块：感知模块、VLM编码模块、DiT去噪模块和动作执行模块。每个模块独立工作，支持高频观察更新和动作流。

关键创新：REACT的主要创新在于其滚动去噪机制和双重解耦设计，使得机器人能够在动态环境中快速适应变化，显著提升了反应速度和动作的连贯性。

关键设计：在设计中，REACT使用了分层的动作缓冲区，结合最新的观察数据进行去噪，确保每个执行的动作块都经过多次优化。此外，关键参数设置和损失函数的设计也经过精心调整，以适应实时控制的需求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在RoboTwin 2.0仿真基准和实际任务中，REACT显著提高了任务成功率，反应延迟减少了20%以上，生成的轨迹比频繁重新规划和异步基线更为平滑，展示了其在动态控制中的优势。

🎯 应用场景

REACT框架在机器人控制领域具有广泛的应用潜力，尤其是在复杂的动态环境中，如双手操作和多机器人协作任务。其提升的反应性和流畅性使得机器人能够更有效地完成高精度的操作，未来可广泛应用于工业自动化、服务机器人和智能制造等领域。

📄 摘要（原文）

Flow-based vision-language-action (VLA) models generate action chunks for temporally coherent robot motion, but chunked control creates a fundamental closed-loop trade-off: long chunks provide smooth execution, whereas frequent replanning improves reactivity at the cost of action discontinuities. We introduce REACT, a rolling-denoising framework that makes flow-based VLAs more reactive while preserving long-horizon context. Instead of regenerating entire action chunks from scratch, REACT maintains a persistent action buffer with staggered flow timesteps. At each control step, the full horizon is denoised using the latest observation, the cleanest action block is executed, partially refined future blocks are shifted forward, and fresh noise is appended to the tail. As a result, each executed action block is refined across multiple recent observations before deployment. To support real-time control, we further introduce dual decoupling, which separates sensing, VLM encoding, DiT denoising, and action execution, enabling high-frequency observation updates and action streaming under practical compute constraints. Across the RoboTwin 2.0 simulation benchmark and real-world tasks spanning bimanual manipulation and dynamic control on multiple robot platforms, REACT improves task success and reduces reaction latency while producing smoother trajectories than frequent-replanning and asynchronous baselines.