用于高效机器人操作的设备条件神经架构搜索

视觉运动策略日益复杂，对异构机器人硬件约束的部署提出了重大挑战。然而，大多数现有的机器人操作模型有效方法都是特定于设备和模型的，缺乏通用性，并且在适应过程中需要耗时的每个设备优化。在这项工作中，我们提出了一个名为 \textbf{D}evice-\textbf{C}onditioned \textbf{Q}uantization-\textbf{F}or-\textbf{A}ll (DC-QFA) 的统一框架，它通过设备条件量化感知训练和硬件约束架构搜索来分摊部署工作。具体来说，我们引入了一个单一的超级网，它跨越网络架构和混合精度位宽的丰富设计空间。它通过延迟和内存感知正则化进行了优化，并以每个设备的查找表为指导。有了这个超级网，对于每个目标平台，我们可以执行一次一劳永逸的轻量级搜索来选择最佳子网，而无需对每个设备进行重新优化，从而实现跨异构硬件的更通用的部署，并大大减少部署时间。为了提高低精度下的长范围稳定性，我们进一步引入了多步同策略 蒸馏来减轻闭环执行期间的误差累积。对 DiffusionPolicy-T、MDT-V 和 OpenVLA-OFT 等三个代表性策略主干的广泛实验表明，我们的 DC-QFA 在边缘设备、消费级 GPU 和云平台上实现了 $2\text{-}3\times$ 加速，并且任务成功时的性能下降可以忽略不计。对配备力/扭矩传感器的 Inovo 机器人的实际评估进一步验证了我们的低位 DC-QFA 策略即使在严格的量化下也能保持稳定、接触丰富的操作。