VLA-Corrector: Lightweight Detect-and-Correct Inference for Adaptive Action Horizon
Yi Pan, Miao Pan, Qi Lu, Jiaming Huang, Man Zhang, Siteng Huang, Xin Li, Jie Zhang, Yongliang Shen, Xuhong Zhang, Wenqi Zhang
cs.RO
2026-07-02
浙大与达摩院给冻结的VLA加40M潜空间监视器：动作块跑偏就截断，再用梯度引导重规划。MetaWorld上π0.5成功率从48.7%升到64.4%，真机扰动任务从40.0%升到68.3%。
生成式VLA为了少调策略、动作更顺，一次推出一串未来动作，再开环执行固定长度的action horizon。Horizon越长，推理次数越少，盲区也越大：接触、打滑、位姿一偏，过期动作还在跑，误差会在开环窗口里放大到无法挽回。
这篇把这个权衡量化了。π0.5上把horizon拉长，策略调用大约降到四分之一，成功率从约64%掉到49%以下；SmolVLA和X-VLA同一方向。H=1能救成功率，但每步都要跑一遍VLA，chunking的意义没了。固定horizon很难预先选对，因为最佳长度跟着任务难度、环境动态和sim-to-real缺口走。
VLA-Corrector是推理期插件，不改骨干权重。先在benchmark演示上冻住VLA视觉编码器，另训一个约40M的MLP，输入当前视觉latent和刚执行的动作，预测短时视觉残差。损失是L2加余弦方向。它不学完整世界模型，只学「还在正轨上时，画面该怎么变」。演示里有遥操作抖动也没关系，只要整体仍在把任务往前推。
部署时Latent-space Vision Monitor用这个预测和真实观测算不一致分数Et=1−余弦相似度。滑窗中位数和MAD给出自适应开关阈值，连续多步超过Ton才截断，单帧噪声不触发。截断后丢掉队列里剩下的过期动作，固定horizon变成事件触发的自适应horizon。
截断之后不只是再问一次策略。Online Gradient Guidance只作用在紧接着的那一次生成：用漂移前的预期残差减去已积累偏差，得到纠正方向，再把「当前候选动作造成的视觉变化」往这个方向拉，梯度打进flow matching的速度场。η默认1。监测器和策略必须拆开：把同样的残差头接到骨干上一起微调，平均成功率只有49.55%，外挂LVM能到64.35%。内部头会改写本来用于规划的表征，外部头在冻结特征上干活，不动策略。
MetaWorld按难度拆开，三个骨干都涨，难任务更明显。
| 骨干 | 基线平均成功率 | +Corrector |
| π0.5 | 48.70% | 64.35%（+15.65，Very Hard从41.0%到65.0%） |
| SmolVLA | 61.90% | 66.65%（+4.75） |
| X-VLA | 55.55% | 59.60%（+4.05） |
Horizon扫描里，成功不是靠多问策略换来的。π0.5在H=50时成功率从48.72%到58.70%，每回合调用从5.15到4.98，success-per-call提升24.6%；SmolVLA在H=10时从61.90%到73.00%，调用从19.27到15.64，效率提升45.3%。LIBERO上，few-shot的π0.5加Corrector平均97.80%，超过全量微调的96.95%。真机AgileX PiPER六自由度臂、三组任务各三项各20次：平均从55.6%到73.3%，扰动恢复从40.0%到68.3%，这一组增益最大。
消融：只截断就到60.35%，再加上OGG到64.35%。83.7%的截断发生在抓取、对准这类关键阶段，非关键阶段只占16.3%。截断后10步内恢复，OGG平均再加0.23。Corrector用60%演示已超过基线；LIBERO上训的corrector搬到MetaWorld只能从48.7%到51.8%，域内才能到58.7%。OGG打开后墙钟大约1.62–1.68倍，均摊到每环境步大约多7.93毫秒；一次普通chunk推理约278ms，一次OGG恢复查询约588ms。
VLA部署里horizon是个脏开关：短了算力吃不消，长了接触任务不稳。这篇证明可以不改大模型，用一个小监测器决定「这段chunk还能不能信」。对已经冻好的π0.5、SmolVLA、X-VLA，这是即插即用的推理补丁。few-shot轨迹往往已经覆盖正常路径，却盖不住跑偏后的恢复；不一定要靠堆微调数据来教这件事。
这是渐进补丁，不是新VLA。它吃的是「执行是否仍像演示」，演示分布外的失败它救不了。
作者在真机失败分析里写得很清楚：目标被挪出工作空间、夹爪已经进了坏姿态、没有力觉的紧配合、遮挡和低对比，单次纠偏都可能不够。OGG只能偏置骨干已经会的动作，变不出策略表示不了的恢复技能。
监测器在演示上训练，对「成功执行长什么样」有偏；跨域只有3.1个点，换机器人、换相机不能默认能用。跨架构表里的64.35%和H=50扫描里的58.70%不是同一套聚合，引用时要看设置。OGG恢复查询大约588ms，高频控制未必吃得下。没有跟需要额外恢复数据或单独恢复策略的方法做直接对照。η拉到10或100，更难的任务会掉下去，引导过猛会把动作拉歪。