ChunkFlow把平滑约束放进训练
stepjamUK · x · 2026-07-16
这篇关于 **ChunkFlow** 的工作，讨论的是实时控制型 VLA 在动作分块时的“缝隙”问题：为了满足延迟要求，动作必须按 chunk 预测，但相邻 chunk 往往因为观测和历史略有偏移而在边界处互相打架。常见做法是在推理时做平滑融合，视觉上更顺，但并不会修正导致分歧的预测本身，反而可能在噪声执行历史下继续累积误差。 作者认为，把这种约束放到训练里更有效。ChunkFlow 将每个 chunk 划分为冻结区、可编辑区和未来区，并在边界处做确定性融合，同时加入 seam 和 continuity loss 直接约束策略；之后再用 AWAC 阶段基于融合后的执行历史做适配，但不丢掉这些结构约束。 实验上，它在 LIBERO 上达到 **93.4%**、平均延迟 **4.43ms**。作者也坦承：相较 π0.5 只高 **0.8** 个点，在这个基准上接近噪声，不是最核心的结论；更值得注意的是边界差异指标降到 **0.082**，明显低于所有对比方法。