StreamingVLA：具有动作流匹配和自适应早期观察的流式视觉-语言-动作模型

视觉-语言-动作（VLA）模型在自然语言驱动的感知和控制方面表现出了卓越的性能。然而，VLA 模型的高计算成本带来了巨大的效率挑战，特别是对于现实部署中资源受限的边缘平台。然而，由于VLA的不同阶段（观察、动作生成和执行）必须顺序进行，并等待前一阶段的完成，导致系统频繁停机和高延迟。为了解决这个问题，我们进行了系统分析，以确定快速流畅生成的挑战，并建议使 VLA 能够以“流”方式跨 VLA 阶段异步并行化。首先，我们消除了对动作分块的依赖，并采用动作流匹配，它学习动作流的轨迹，而不是对分块动作进行去噪。它与动作生成和执行的延迟重叠。其次，我们设计了一种动作显着性感知自适应观察机制，从而重叠执行和观察的延迟。 StreamingVLA在不牺牲性能的情况下，实现了大幅加速，提高了执行的流畅度。它实现了 2.4 $\times$ 延迟加速，并将执行暂停减少了 6.5 $\times$。