SEAM：平滑执行视觉-语言-动作策略的动作块运动

执行固定长度动作块的视觉-语言-动作（VLA）策略可以表现出多模态分岔：跨块不一致，其中从独立高斯潜伏生成的相邻块可以收敛到不兼容的轨迹模式，从而在块边界处产生突然的不连续性。现有的补救措施要么需要在每个去噪步骤中通过策略进行反向传播，要么依赖拒绝采样，要么需要重新训练，每次都以计算成本或任务可靠性为代价来实现更平滑的过渡。我们提出了 SEAM（动作分块运动的平滑执行），这是一种用于流匹配 VLA 的 无需训练 推理时间方法。 SEAM 利用了一个简单的同步执行见解：在机器人消耗已执行的前缀后，前一个块的未执行的尾部已经可以用作分析一致性参考。其核心机制，速度引导损失转向（VLS），从这条尾部导出一个时间相关的目标，并在每个欧拉步骤之后应用封闭式修正，而不通过策略网络进行反向传播。在 pi_0.5 的 LIBERO-10 上，SEAM 将边界急动降低了 28%，将块转换不连续性降低了 27%，保持基线级任务成功，并使去噪循环成本保持在无引导基线附近。