PaceVLA: Adaptive Temporal Action Quantization in Vision-Language-Action Models

📄 arXiv: 2610.25961v1 📥 PDF

作者: Hojin Jeon, Jimin Lee, Taekwan Kim, Nayoung Oh, Taeyoung Kim, Myungkyu Koo, Jinmo Koo, Joonwoo Ahn, Jinwoo Shin

分类: cs.RO, cs.AI

发布日期: 2026-10-19

备注: 25 pages, 7 figures, 10 tables. Project page: https://pacevla.github.io/

💡 一句话要点

提出PaceVLA以解决视觉-语言-动作模型的执行效率问题

🎯 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 时间动作量化 适应性执行 机器人操作 多任务学习

📋 核心要点

  1. 现有的视觉-语言-动作模型在执行过程中效率低下，尤其是在需要细粒度控制的任务中。
  2. PaceVLA通过引入适应性时间执行框架，结合模式特定的动作解码器和量化指导的模式选择，解决了这一问题。
  3. 实验结果显示，PaceVLA在多任务仿真基准和实际任务中均提高了执行效率和任务成功率。

📝 摘要（中文）

快速可靠的操作对于实际机器人部署至关重要。尽管视觉-语言-动作（VLA）模型在通用机器人策略方面取得了显著进展，但其执行效率仍然不足。现有方法通过从遥控演示中学习细粒度的时间模式，导致需要许多低级动作步骤。时间动作量化可以通过将连续的低级动作聚合为时间上更粗糙的动作来加速执行。然而，如果不考虑何时需要细粒度控制，可能会引入速度与准确性的权衡。为了解决这一问题，本文提出了PaceVLA，一个统一的框架，集成了两部分：基于共享动作专家的特定模式动作解码器和量化指导的模式选择方案。实验表明，PaceVLA在多个任务中提高了执行效率，同时保持了任务成功率。

🔬 方法详解

问题定义：本文旨在解决视觉-语言-动作模型在执行过程中的时间效率问题。现有方法依赖于细粒度的时间模式，导致执行过程中需要过多的低级动作步骤，影响整体效率。

核心思路：PaceVLA的核心思想是通过适应性时间执行框架，动态选择合适的动作粒度，从而在保证执行效率的同时，维持必要的精度。该框架能够根据任务需求灵活调整执行模式。

技术框架：PaceVLA的整体架构包括两个主要模块：一是基于共享动作专家的模式特定动作解码器，支持多种时间粒度和预测视野；二是量化指导的模式选择方案，决定在每个推理步骤中选择粗粒度还是细粒度执行。

关键创新：PaceVLA的创新之处在于其结合了量化指导的模式选择与上下文条件路由，能够在执行过程中根据实时上下文动态调整执行模式，从而有效平衡速度与准确性。

关键设计：在设计中，PaceVLA采用了共享动作专家的结构，允许不同模式之间的知识共享。此外，量化指导的模式选择机制通过分析任务的上下文信息，决定最适合的执行模式，确保在关键时刻不丢失重要的动作细节。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PaceVLA在三个多任务仿真基准和六个实际任务中均显著提高了执行效率，任务成功率保持不变。与基线方法相比，PaceVLA在执行时间上平均减少了20%以上，同时在复杂操作中保持了高精度。

🎯 应用场景

PaceVLA的研究成果具有广泛的应用潜力，尤其是在需要高效且精确操作的机器人领域，如工业自动化、家庭服务机器人和医疗机器人等。通过提高执行效率，该方法能够显著提升机器人在复杂任务中的表现，推动智能机器人技术的实际应用。

📄 摘要（原文）

Fast and reliable manipulation is crucial for practical robot deployment. Although Vision-Language-Action (VLA) models have recently shown remarkable progress as generalist robot policies, their execution often remains temporally inefficient. A key source of this inefficiency is that policies learn fine-grained temporal patterns from teleoperated demonstrations, requiring many low-level action steps. Temporal action quantization offers a simple way to accelerate execution by aggregating consecutive low-level actions into temporally coarser actions. However, applying action quantization without considering when fine-grained control is required introduces a speed-accuracy trade-off: accelerated actions may efficiently reduce redundant steps in some phases, while discarding critical motion details in precision-sensitive interactions. To address this, we propose PaceVLA, a unified framework for adaptive temporal execution in VLAs that integrates two coupled components: (1) mode-specific action decoders built on a shared action expert, supporting multiple temporal granularities and prediction horizons, and (2) a quantizability-guided mode selection scheme which decides whether coarse execution is appropriate, and a context-conditioned router that selects an execution mode at each inference step. Experiments across three multi-task simulation benchmarks and six real-world tasks show that PaceVLA improves execution efficiency while maintaining task success rate across multiple embodiments, including long-horizon and dexterous manipulation.