PaceVLA：KAIST与RLWRLD让人形机器人分拣吞吐提升1.75倍至每分钟6.3件

视觉语言动作（VLA）模型能否比其学习所用的人类示教更快执行而不损失精度，方法是按任务阶段分别选择动作的时间粒度和预测长度？

VLA策略模仿遥操作示教，而操作员受限于输入设备、为避免失败动作谨慎缓慢，训练出的机器人即便在空中伸手或搬运时也执行大量细碎步骤。把连续动作合并成更少的大指令可以提速，但若全程合并，抓取、放置和接触阶段所需的精细动作就会丢失。

固定比例的时间量化对整条轨迹使用同一合并比例；DemoSpeedup依据代理策略的动作熵加速示教数据；SAIL依据运动和夹爪信号在预设的慢速与快速之间切换。这些方法都根据动作统计而非机器人看到的场景来决定速度。

PaceVLA在现有流匹配VLA（英伟达GR00T N1.5，仿真中还有RLWRLD的RLDX-1-IMG）上微调，为共享动作专家配置四个输出解码器，即两个精细模式和两个量化模式，各含短、长两种预测范围。一个由大型视觉语言模型生成标签训练的量化判定器根据图像和指令判断当前能否粗粒度执行，路由器在每次推理时选出一种模式。伸手和搬运用粗粒度长预测，抓取和放置用细粒度短预测并更频繁重规划。

在配备15自由度灵巧手的ALLEX人形机器人上，每轮处理10个包裹，吞吐由GR00T N1.5基线的每分钟3.6件提高到6.3件（1.75倍），成功率由86%升至94%；固定量化为每分钟4.2件、72%，SAIL为4.3件、78%。在Franka机械臂上（每项32次），抓放耗时由12.1秒降至7.6秒（降37%），空气炸锅任务由24.6秒降至14.6秒（降41%），叠杯降45%，成功率与基线相当；固定量化在空气炸锅和叠杯任务上成功率分别下降28.2和21.9个百分点。在配备6自由度手的双臂OpenArm上耗时减少33%和39%。RTX 5090上单步延迟由40.07毫秒增至42.15毫秒。

这是一篇预印本。真机测试共6项任务、每项32次，人形机器人任务仅一项，均在作者自有环境和示教数据（传送带任务320条）上完成。判定器依赖大型视觉语言模型生成的标签。仿真中部分指标低于基线，例如基于RLDX-1-IMG的RoboCasa抓放成功率为45.0%，基线为48.5%。提速是相对缓慢的遥操作示教而言，并未与人工调优的工业机器人程序比较。