漂移是一种采样误差：用于长视野机器人规划的 SNR 感知功率分布

尽管用于机器人控制的视觉-语言-动作（VLA）模型取得了快速进展，但指令漂移仍然是长期任务中的持久故障模式。本文重新概念化了这一现象，认为指令漂移从根本上来说是一种系统采样误差：局部贪婪采样很容易陷入“负关键窗口”——具有高局部概率的不可逆局部最优，从而切断全局成功路径。为了解决这个问题，我们提出了上下文感知功率采样（CAPS），这是一种 无需训练 推理时间计算框架。 CAPS 利用功率分布来锐化全局轨迹概率，从而能够对模型的条件生成轨迹分布进行前瞻搜索。此外，我们引入了基于信噪比（SNR）的元认知控制机制。该机制仅在检测到漂移风险时触发自适应MCMC搜索，实现从“直觉快速思维”到“理性慢速搜索”的动态过渡。 RoboTwin、Simpler-WindowX 和 Libero-long 基准测试的实验表明，CAPS 比 OpenVLA 和 TACO 等强基准测试取得了实质性改进，且无需更新参数。这些结果支持自适应推理时间计算对于提高具体控制的长期鲁棒性的有效性。