紧急行动优先：实时 VLA 控制的紧急感知去噪

扩散和流匹配视觉-语言-动作（VLA）策略通过迭代去噪生成动作块，从而产生大量的推理延迟，严重限制了实时机器人控制。现有的加速方法将动作块视为整体计算单元，忽略了后退控制的关键物理现实：动作是联合生成的，但按顺序消耗，导致固有的异构执行紧迫性。我们利用这种不对称性引入了紧急感知去噪（UAD），这是一种新颖的推理时间框架，可根据每个动作的物理需要来分配去噪计算。 UAD 在较少的去噪步骤后发布时间关键的紧急操作，同时将尾部操作的持续背景细化与物理执行重叠。然而，异构去噪带来了两个关键挑战：紧急动作中的提前释放错误和尾部动作中的轨迹不一致。 UAD 通过两个核心机制优雅地解决了这两个问题：轨迹协调（Trajectory Reconciliation），它重建统一的内部状态演化，以恢复联合去噪的一致性，而无需额外的模型评估；以及幽灵动作校正（Ghost Action Correction），它利用未执行的幽灵延续来动态补偿剩余可执行动作中的早期发布错误。对多个 VLA 架构、模拟基准和实际操作任务的广泛评估表明，UAD 在平均操作可用性延迟方面实现了高达 1.89 倍的加速，同时保持了与具有最佳去噪预算的普通推理相当的成功率，提供了比最先进的 VLA 加速基线更有利的成功延迟权衡。