Action ControlNet：一种轻量级延迟感知适配器，用于视觉-语言-动作模型中的平滑异步控制

视觉-语言-动作（VLA）模型在通用机器人操作方面显示出强大的潜力，但其推理延迟仍然是稳定高频控制的主要障碍。异步执行通过将策略推理与动作执行重叠来缓解这一瓶颈，但在机器人继续移动时，下一个动作块仍然是根据过时的观察来预测的。因此，直接块拼接会导致切换不连续性、动作抖动以及接触丰富的操作失败。现有的补救措施通常需要完整的策略重新训练或特定于架构的运行时逻辑。这项工作提出了 Action ControlNet (ACNet)，这是一种轻量级延迟感知适配器，它使用执行的运动后缀作为大部分冻结的动作头的剩余条件。 ACNet 保持预训练主干不变，引入很少的可训练参数，并保持与生成动作头（例如扩散和流匹配）兼容。在 Kinetix、Meta-World MT50 和现实世界的 SO-ARM101 平台上，ACNet 提高了推理延迟下的鲁棒性，并产生比直接块拼接更平滑的异步轨迹，同时比完全延迟条件再训练更轻量。