了解视觉-语言-动作模型的异步推理方法

视觉-语言-动作（VLA）模型为通用机器人控制提供了一条有希望的途径，但当异步执行生成的动作时，它们的推理延迟会导致观察陈旧。为了缓解这个问题，人们同时提出了几种方法：推理时间修复（IT-RTC）、训练时间延迟模拟（TT-RTC）、未来状态感知调节（VLASH）和轻量级残差校正（A2​​C2）。每个方法都采用根本不同的方法，但到目前为止，它们已经使用不同的代码库、基本策略和协议进行了独立评估。我们在受控条件下对这四种方法进行了系统比较。我们开发了两个统一的代码库，将所有方法与统一的库和数据集版本集成在一起，并在具有 MLPMixer 策略的 Kinetix 套件和具有 SmolVLA 的 LIBERO 操作基准上对它们进行基准测试，将推理延迟扫除高达 $d=20$ 控制步骤。 A2C2 的每步残差校正是 Kinetix 上最有效的方法，在 $d=8$ 之前保持 90% 以上的解决率，并且从 $d=4$ 开始在 LIBERO 上也领先。 IT-RTC 在低延迟下具有竞争力，但在长块（$H=30$）和高延迟下急剧退化。 TT-RTC 是最稳健的基于训练的方法：在 $d_\max$ 选择中保持稳定，概括超出其训练延迟分布，并增加零推理开销。 VLASH 表现出明显的低延迟与高延迟权衡，受 微调 延迟范围 $[0,d_\max]$ 控制。代码可在 https://github.com/TheAyos/async-vla-inference 获取