在需要时做出反应：VLA 策略的事件触发异步推理

视觉-语言-动作 (VLA) 模型通常会预测动作块，从而限制了它们在执行过程中对环境变化做出反应的能力。现有的异步推理方法提高了反应性，但通常依赖于固定的推理间隙。在本文中，我们提出了一种事件引导的动态推理策略，该策略根据自上次推理以来观察到的场景变化来调整推理间隙。因此，它同时保持了运动的一致性和迅速的反应性。在静态和动态的现实环境中，我们的方法始终表现最佳，平均成功率为 95%，比最强基线高出 55 个百分点。该代码将在接受后公开发布。项目页面可通过此 https URL 获取。