去噪告诉何时重新规划：基于流的机器人策略的去噪方差自适应分块

动作分块已成为基于流的机器人策略的常见推理策略，通过在演示中对多步骤时间依赖性进行建模来提高动作一致性。然而，执行范围通常仍然设置为经验固定值，忽略了可预测的自由空间运动和精度关键的交互阶段通常需要不同的重新规划频率。在这项工作中，我们首先表明基于流的策略的去噪过程包含任务阶段的内在信号：干净动作估计在可预测的运动阶段保持稳定，但在接触丰富或精度敏感的操作周围波动更强烈。受这一观察的启发，我们提出了 DVAC（去噪方差自适应分块），这是一种测试时方法，可自适应地确定每个预测块要执行多少个操作。 DVAC 测量最终去噪步骤中清洁操作估计的方差，执行稳定的低方差前缀，并在提交高方差未来操作之前重新计划。为了跨任务和执行轨迹进行转移，DVAC 通过局部方差尺度的滚动估计进一步校准阈值。对 LIBERO、RoboTwin、CALVIN 和现实世界操作的实验表明，DVAC 可以提高任务成功率，同时降低重新计划频率。通过基于 $π_{0.5}$ 的策略，DVAC 将 LIBERO 的成功率从 94.75% 提高到 98.00%，并将重新计划减少了 43.0%，同时还为 RoboTwin 和 CALVIN 带来了总收益，并提高了实际执行效率。