VLA-Corrector：面向自适应动作视界的轻量级检测与纠正推理

论文：VLA-Corrector: Lightweight Detect-and-Correct Inference for Adaptive Action Horizon　|　作者：Yi Pan, Miao Pan, Qi Lu, Jiaming Huang, Man Zhang, Siteng Huang, Xin Li, Jie Zhang, Yongliang Shen, Xuhong Zhang, Wenqi Zhang（浙江大学 / 阿里巴巴达摩院）　|　链接：arXiv:2607.01804　|　代码：已开源（LeRobot 分支）

一句话总结

本文提出 VLA-Corrector，一个不改动 VLA 主干权重的轻量推理期修正框架：用潜空间视觉监控器（LVM）在线比对"预测的"与"实际发生的"视觉特征演化，一旦发现持续性漂移即触发中断、丢弃陈旧动作块，并通过在线梯度引导（OGG）让下一次重规划朝可恢复的方向生成动作，从而把固定动作horizon变成事件触发的自适应horizon。

研究背景与动机

视觉-语言-动作（VLA）基础模型把感知、语言与动作生成统一在单一框架内，已成为通用机器人控制的重要路线。现代 VLA 策略普遍依赖扩散模型或流匹配（flow matching）等生成式动作模型来刻画连续机器人动作的高维多模态分布。然而生成式模型的单步推理延迟较高，无法在每个控制步都做闭环重规划，于是"动作表达能力"与"高频反馈控制"之间存在根本张力。

工程上的常见折中是动作块（action chunk）：一次前向推理预测一段未来动作序列，控制器只顺序执行前 $H$ 步，称 $H$ 为动作horizon（action horizon）。该设计摊薄了策略调用频率、提升了时间平滑性，但同时也制造了一个开环盲区（open-loop blind spot），带来两类复合风险。其一，策略缺乏实时反应性：新的观测每个控制步都在到达，但系统要等到horizon结束才使用它们，无法对意外滑移、碰撞或位姿漂移即时响应。其二，误差可能在盲区内累积到重规划也无法挽回的程度：若偏差长期不被纠正，机器人会漂移到训练时极少见到的分布外状态，此时即便下一次重规划调用也难以把执行拉回预期轨迹，任务最终失败。

关键在于，这两类风险都随horizon变长而恶化。论文用系统实验量化了这一权衡：在三个 VLA 主干上扫描不同horizon，发现更大的horizon显著减少策略调用次数，但成功率同步下降。以 $\pi_{0.5}$ 为例，把horizon调大可让策略调用减少约四倍，却把成功率从约 64% 压到 49% 以下；SmolVLA 与 X-VLA 呈同样趋势。更重要的是，最优horizon依赖任务难度、环境动力学与 sim-to-real 差距，很难预先设定一个在所有场景都最优的静态horizon。

由此论文给出一个清晰的判断：问题的关键不在于"选一个更好的固定horizon"，而在于"判断当前的动作块何时不再值得信任"。这引出两个核心问题：（1）如何及时检测执行偏差并在误差累积到不可恢复之前终止陈旧动作；（2）截断之后如何修正轨迹——因为朴素的重规划往往不够：VLA 可能重新生成仍然无法逃离偏差状态的动作，让机器人再次被困。

针对这两个问题，VLA-Corrector 给出"检测—修正"（detect-and-correct）的推理期方案：LVM 负责在开环执行期间持续比对预测与观测的视觉演化，一旦检测到持续偏差就触发中断事件、立即截断剩余陈旧动作并发起新的动作生成；OGG 则不依赖朴素重规划，而是利用预测与观测视觉动力学的差异，在新动作生成过程中注入修正梯度，主动把机器人引导回预期轨迹，而不是寄望于重新推理自然恢复。两者结合，把固定horizon转变为带自纠正重推理的自适应horizon，兼顾长horizon的效率与短horizon的反应性。

预备知识：动作块与开环执行

在具身连续控制中，当前视觉观测 $o_t$ 先由视觉编码器 $\mathcal{E}$ 编码为潜表示 $Z_t^{\mathrm{real}}=\mathcal{E}(o_t)$。为平衡策略调用频率与动作平滑性，参数为 $\theta$ 的生成式 VLA 策略在一次推理中预测一个动作块：

$$A_t=[a_t,a_{t+1},\dots,a_{t+C-1}]\sim\pi_{\theta}(\cdot\mid Z_t^{\mathrm{real}},\,l)$$

其中 $a_t$ 为单个控制动作，$l$ 为语言指令。部署时只顺序执行前 $H$ 个动作（$H\leq C$），该执行窗口即动作horizon，对应执行队列 $Q_t=[a_t,\dots,a_{t+H-1}]$；在此期间控制器不再查询 VLA 策略。VLA-Corrector 的全部设计都建立在"执行队列期间仍有新鲜观测可用、但策略不重查询"这一事实之上。

方法详解

VLA-Corrector 的核心思想是把"动作生成"与"执行监控"解耦：VLA 主干负责生成动作块，VLA-Corrector 负责监控执行是否仍在正轨上，并只在漂移出现时介入。方法由四个环节组成：外部潜动力学修正器的训练、LVM 在线异常检测、事件触发截断、以及 OGG 纠正重规划。整个框架在 VLA 策略训练完成之后才训练，且不改动主干权重。

1. 训练外部潜动力学修正器

先在基准训练集上微调 VLA 主干，然后冻结 VLA，用其视觉编码器 $\mathcal{E}$ 从演示轨迹中抽取视觉潜变量。给定转移 $(o_t,a_t,o_{t+k})$，计算当前与未来的真实潜状态及其差值，作为短horizon视觉潜演化的监督目标：

$$Z_t^{\mathrm{real}}=\mathcal{E}(o_t),\quad Z_{t+k}^{\mathrm{real}}=\mathcal{E}(o_{t+k}),\quad \Delta Z_{t+k}^{*}=Z_{t+k}^{\mathrm{real}}-Z_t^{\mathrm{real}}$$

随后训练一个轻量外部动力学修正器 $M_{\phi}$，从当前潜状态与已执行动作预测这一残差演化：

$$\Delta\hat{Z}_{t+k}=M_{\phi}(Z_t^{\mathrm{real}},\,a_t)$$

注意 $M_{\phi}$ 预测的是残差视觉潜演化而非绝对未来潜状态，这主动抑制了静态场景内容、促使模型聚焦于与任务相关的动态变化。训练目标同时约束幅值匹配与方向一致：

$$\mathcal{L}_{\mathrm{corr}}=\left\|\Delta\hat{Z}_{t+k}-\Delta Z_{t+k}^{*}\right\|_2^2+\beta\left[1-\mathrm{CosSim}\!\left(\Delta\hat{Z}_{t+k},\,\Delta Z_{t+k}^{*}\right)\right]$$

其中 $\beta$ 平衡残差精度与方向对齐。可训练组件不是 VLA 策略本身，而是一个在冻结 VLA 特征之上单独训练的轻量潜动力学模块；这种模块化设计允许针对每个基准重训或替换修正器，而无需重新优化昂贵的 VLA 主干。修正器在基准演示轨迹上训练，因为其目标不是像完整世界模型那样建模所有可能未来，而是学习"局部潜动力学是否与正轨执行一致"；演示虽含少量遥操作抖动，但足以刻画让任务正确推进的行为。由于这是局部、低维的预测任务，一个轻量 MLP 即可胜任：实验中约 40M 参数的修正器已能提供有效的监控与纠正信号，训练成本极低。

2. 潜视觉动力学在线异常检测（LVM）

训练好 $M_{\phi}$ 后，将其用于在线监控当前动作块是否仍可靠。在控制步 $t$，LVM 用已执行动作 $a_t$ 与当前潜状态预测期望的短horizon潜残差 $\Delta Z_{t+k}^{\mathrm{exp}}=M_{\phi}(Z_t^{\mathrm{real}},a_t)$。与此同时，尽管策略不重查询，最新观测仍然可得：编码未来观测得到真实残差 $\Delta Z_{t+k}^{\mathrm{real}}=Z_{t+k}^{\mathrm{real}}-Z_t^{\mathrm{real}}$。LVM 度量两者之间的不一致：

$$E_t=1-\mathrm{CosSim}\!\left(\Delta Z_{t+k}^{\mathrm{exp}},\,\Delta Z_{t+k}^{\mathrm{real}}\right),\qquad \mathrm{CosSim}(\mathbf{u},\mathbf{v})=\mathbf{u}^{\top}\mathbf{v}\,/\,(\|\mathbf{u}\|\,\|\mathbf{v}\|)$$

$E_t$ 越大表示视觉动力学失配越强，为后续事件触发截断提供连续信号。该信号只依赖视觉编码器与轻量 MLP 的前向传播，成本远低于一次完整 VLA 推理。

3. 鲁棒在线监控下的事件触发截断

给定连续的不一致分数 $E_t$，需要判断偏差是否"持续"到值得介入。直接对 $E_t$ 设阈值并不稳定，因为瞬时视觉离群点会造成误触发。论文采用基于动态阈值与持续性检查的鲁棒事件触发规则：维护最近分数的滑动窗口 $\mathbf{E}_W=\{E_{t-w+1},\dots,E_t\}$，计算其中位数 $M_e$ 与中位数绝对偏差：

$$\mathrm{MAD}=\mathrm{median}\!\left(|E_i-M_e|\right),\quad E_i\in\mathbf{E}_W$$

再定义两个自适应阈值，构成带滞回的状态机：

$$T_{\mathrm{on}}=M_e+\lambda_{\mathrm{on}}\,\mathrm{MAD},\qquad T_{\mathrm{off}}=M_e+\lambda_{\mathrm{off}}\,\mathrm{MAD},\qquad \lambda_{\mathrm{on}}>\lambda_{\mathrm{off}}$$

$T_{\mathrm{on}}$ 用于确认持续偏差，$T_{\mathrm{off}}$ 提供滞回以避免在正常与异常状态间快速振荡。为避免对孤立尖峰触发，维护一个持续性计数器 $c_t$：当 $E_t>T_{\mathrm{on}}$ 时累加，当 $E_t<T_{\mathrm{off}}$ 时清零；仅当 $c_t\geq p$（$p$ 为耐心参数）连续满足时才触发中断事件。一旦触发，VLA-Corrector 丢弃当前队列中剩余动作，并以纠正模式重新查询策略；若已从原队列执行了 $h$ 个动作，则实际实现的horizon为 $H_{\mathrm{adaptive}}=h$，从而在稳定阶段保留长horizon、在持续视觉漂移表明动作块不再可靠时缩短horizon。

4. 在线梯度引导的纠正推理（OGG）

截断只是停止陈旧动作，恢复仍依赖下一次重规划。中断事件之后，VLA-Corrector 仅对紧随其后的那一次策略调用施加 OGG，把这次恢复重规划引导向纠正性的潜方向。在流匹配的去噪步 $\tau$，设 $A^{\tau}$ 为带噪动作块，VLA 预测速度场 $v_{\tau}=\pi_{\theta}(A^{\tau},Z_t^{\mathrm{real}},\tau)$，由此估计干净块 $\hat{A}_0=A^{\tau}-\tau v_{\tau}$ 并取其首个动作 $\hat{a}_t=\hat{A}_0[0]$；修正器再预测该候选动作的潜效果：

$$\Delta\hat{Z}_{\mathrm{act}}=M_{\phi}(Z_t^{\mathrm{real}},\,\hat{a}_t)$$

设 $t-k$ 为中断事件前最后一个稳定步，定义期望残差 $\Delta Z_{\mathrm{exp}}=M_{\phi}(Z_{t-k}^{\mathrm{real}},a_{t-k})$，累积偏差 $\Delta Z_{\mathrm{dev}}=Z_t^{\mathrm{real}}-Z_{t-k}^{\mathrm{real}}$，则纠正性潜方向为：

$$\Delta Z_{\mathrm{corr}}=\Delta Z_{\mathrm{exp}}-\Delta Z_{\mathrm{dev}}$$

该方向在保留预期局部动力学的同时，补偿开环执行期间累积的漂移。OGG 通过下式把预测动作效果对齐到 $\Delta Z_{\mathrm{corr}}$：

$$\mathcal{L}_{\mathrm{OGG}}=1-\mathrm{CosSim}\!\left(\Delta\hat{Z}_{\mathrm{act}},\,\Delta Z_{\mathrm{corr}}\right)$$

并把所得梯度注入流匹配速度场：

$$v_{\tau}^{\mathrm{guide}}=v_{\tau}-\eta\,\nabla_{v_{\tau}}\mathcal{L}_{\mathrm{OGG}},\qquad A^{\tau-\Delta\tau}=A^{\tau}-\Delta\tau\,v_{\tau}^{\mathrm{guide}}$$

其中 $\eta$ 控制引导强度。由于 OGG 修改的是速度场而非直接扰动动作坐标，它与原始流匹配过程保持兼容，能产生更平滑的纠正重规划。OGG 只在中断后的单次恢复查询上引入额外梯度计算，后续策略调用回到标准推理，除非再次检测到中断事件。

下图给出 VLA-Corrector 的整体流程：从标准动作块管线（A）出发，加入 LVM 检测持续漂移并触发中断（B），事件截断陈旧动作并把下一次重规划从普通流匹配切换为 OGG 引导的流匹配（C），OGG 用期望与观测的潜演化把重规划引导回可恢复轨迹（D）。

图1：VLA-Corrector 总览（论文 Figure 3）。A 为标准动作块管线，B 为基于潜空间视觉的误差监控与中断，C 为在线梯度引导，D 为 CGS 中的纠正性潜几何。

flowchart TD
    A["Block A 标准动作块推理 VLA主干生成动作块"] --> B["执行前H步 开环盲区不查询策略"]
    B --> C["Block B 潜空间视觉监控LVM 比较期望残差与实测残差 得不一致分数Et"]
    C --> D{"Et 连续p步超过Ton 判定持续漂移"}
    D -- 否 --> B
    D -- 是 --> E["中断事件 丢弃队列剩余陈旧动作"]
    E --> F["Block C/D 在线梯度引导OGG 以纠正方向为目标 在速度场注入修正梯度"]
    F --> G["生成纠正后的新动作块 恢复闭环反应性"]
    G --> B

实验结果

实验覆盖 MetaWorld、LIBERO 两个仿真基准与真实 AgileX PiPER 机械臂，主干以 $\pi_{0.5}$ 为主，并用 SmolVLA 与 X-VLA 做跨架构验证。下面从跨架构泛化、样本效率、性能-效率权衡、机制分析与真实世界五个角度解读。

跨架构泛化（MetaWorld）

VLA-Corrector 在三个 VLA 主干上一致提升，且越难的任务增益越大。$\pi_{0.5}$ 平均成功率提升 15.65 个百分点，SmolVLA 提升 4.75，X-VLA 提升 4.05；最强增益出现在 $\pi_{0.5}$ 的 Very Hard 分片，从 41.0% 提升到 65.0%。这说明修正机制对"接触丰富、误差敏感"的任务最为有效。

主干	方法	Easy	Medium	Hard	Very Hard	平均
π0.5	Baseline	70.5	45.0	38.3	41.0	48.70
π0.5	+ VLA-Corrector	83.2	61.7	47.5	65.0	64.35
SmolVLA	Baseline	81.3	53.6	51.7	61.0	61.90
SmolVLA	+ VLA-Corrector	83.4	56.0	64.2	63.0	66.65
X-VLA	Baseline	72.5	46.4	48.3	55.0	55.55
X-VLA	+ VLA-Corrector	74.4	50.0	50.0	64.0	59.60

表1：MetaWorld 跨架构成功率（%）。对应论文 Table 1。

样本效率（LIBERO）

论文进一步检验 VLA-Corrector 能否弥补任务数据不足。以公开 LeRobot few-shot 检查点为起点，few-shot 微调的 $\pi_{0.5}$ 平均成功率 94.00%，加上 VLA-Corrector 后达到 97.80%，甚至超过全量微调基线的 96.95%。这表明 few-shot 微调已能学到大部分正常任务轨迹，但缺乏对漂移状态及其恢复行为的覆盖；VLA-Corrector 不靠暴露更多罕见失败案例来改进恢复，而是在推理期提前中断误差累积并引导纠正重规划，从而降低对额外后训练数据的依赖。

模型	Object	Spatial	Goal	Long	平均
π0.5 全量微调	99.4	98.2	97.8	92.4	96.95
π0.5 few-shot 微调	97.8	95.4	96.2	86.6	94.00
π0.5 few-shot + VLA-Corrector	99.8	100.0	98.0	93.4	97.80

表2：LIBERO 样本效率（%）。对应论文 Table 2。

性能-效率权衡与数据效率

完整的horizon扫描表明，VLA-Corrector 并非靠增加策略查询次数换取成功率，而是提升"每次调用的成功率"。在 $\pi_{0.5}$、SmolVLA、X-VLA 上，最大 success-per-call 增益分别达 29.9%、45.3%、39.1%。例如 SmolVLA 在horizon 10 时成功率从 61.90% 升到 73.00%，同时策略调用从 19.27 降到 15.64。以 $\pi_{0.5}$ 在horizon 50 为例，成功率从 48.72% 升到 58.70%，平均调用从 5.15 降到 4.98，效率增益 +24.6%。这支持了自适应horizon的核心假设：长块在稳定执行期间仍有价值，但一旦潜视觉动力学指示漂移就应中断。

图2：固定horizon下的性能-效率权衡（论文 Figure 2）。horizon越大调用越少但成功率越低，三个主干趋势一致。

图3：各horizon下的 success-per-call 效率增益（论文 Figure 4）。horizon越长增益越大，最高 +24.6%。

修正器的数据效率同样良好：在 MetaWorld 上按比率 $r\in\{0.2,0.4,0.6,0.8,1.0\}$ 子采样演示训练修正器，$r=1.0$ 时平均成功率 54.32%（较基线 48.72% 提升 5.60），且性能在 $r\approx0.6$–$0.8$ 附近饱和，说明轻量潜动力学修正器只需捕捉局部正轨一致性信号，而非完整动力学模型。

机制分析：LVM 检测与 OGG 纠正

LVM 提供了信息量充足且时机恰当的漂移信号。成功回合的 $E_t$ 集中在低值区，而失败回合呈现更重的高分尾并触发更多中断事件，说明 $E_t$ 捕捉到了易失败的视觉动力学失配。进一步把 MetaWorld 轨迹人工划分为关键阶段（如精确抓取、对齐）与非关键阶段（如稳定抓取后的容忍搬运），发现 83.7% 的截断发生在关键阶段、仅 16.3% 在非关键阶段，验证了自适应horizon的直觉：并非处处缩短horizon，而是在容忍阶段保留长horizon效率、在误差敏感阶段恢复短horizon精度。

图4：成功与失败回合的 $E_t$ 分布（论文 Figure 5）。失败回合高分尾更重。

图5：按任务阶段的截断分布（论文 Figure 6）。83.7% 的截断发生在关键阶段。

OGG 的独立贡献通过"同一中断截断后比较标准重推理与 OGG 引导重推理"来隔离：OGG 在所有难度级别上都提升了中断后恢复率，平均增益 0.23，说明截断停止陈旧动作之后，OGG 引导的重推理进一步提高了恢复重规划的质量。组件消融同样清晰：仅截断把平均成功率从 48.70% 提到 60.35%，加入 OGG 后进一步到 64.35%。

图6：中断后恢复率对比（论文 Figure 7）。OGG 引导推理一致优于标准推理，平均 +0.23。

检测器设计的对照实验进一步支持解耦：把监控头耦合进 $\pi_{0.5}$ 内部（辅助头预测同样的短horizon潜残差）仅得 49.55%，而解耦的外部 LVM 达 64.35%。可能原因是内部辅助目标会更新同时被 VLM-to-action 规划使用的骨干表示，反而损害原始动作生成；外部 LVM 在冻结特征上学习监控信号，避免直接修改策略表示。

真实世界评估（AgileX PiPER）

真实实验在 AgileX PiPER 六自由度机械臂上以 $\pi_{0.5}$ 为主干，包含抓取放置、对齐、扰动恢复三组各三个任务、每任务 20 次试验。VLA-Corrector 在三组上均提升，平均成功率从 55.6% 升到 73.3%；抓取放置增益温和（+8.3），对齐更大（+16.6），扰动恢复最大（+28.3）。该趋势与框架的定位一致：保留标准执行性能、提升精度敏感操作、并在在线扰动使剩余动作块过时时收益最大。

方法	抓取放置	对齐	扰动恢复	平均
π0.5 Baseline	70.0 ± 11.6	56.7 ± 12.5	40.0 ± 12.4	55.6 ± 7.3
+ VLA-Corrector	78.3 ± 10.4	73.3 ± 11.1	68.3 ± 11.8	73.3 ± 6.5

表3：AgileX PiPER 真实世界成功率（%，95% 二项置信区间）。对应论文 Table 5。

图7：真实世界扰动恢复演示（论文 Figure 12）。执行中人工移动抽屉/插入目标，机器人需从过时动作块中恢复。

局限性

作者自述的局限之一是 OGG 的墙钟开销：OGG 在恢复推理期间做在线梯度计算，使整体墙钟推理时间相对"关闭 OGG 的同管线"增加 1.62–1.68 倍；单次 OGG 引导恢复查询约 588.52 ms，约为标准动作块推理 278.01 ms 的 2.12 倍。作者强调该开销是事件触发的、只作用于中断后的恢复查询，摊销到每个执行步仅约 +7.93 ms，但对延迟敏感的高频控制场景仍是实际约束。

作者自述的局限之二是修正器的跨域迁移有限：用 LIBERO 演示训练的修正器在 MetaWorld 上仅把基线从 48.7% 提到 51.8%（+3.1），而域匹配的 MetaWorld 修正器可提到 58.7%（+10.0）。这说明修正器捕捉到部分可迁移的"正轨视觉动力学"概念，但域匹配演示对精确偏差检测与有效纠正引导仍然重要。

从方法设计看还有两点值得注意。其一，监控信号完全来自视觉潜演化，对不产生明显视觉变化的扰动（如纯力/接触层面的滑移、夹爪打滑但画面几乎不变）可能不敏感；论文真实世界失败模式中也承认无_force feedback 的六自由度臂在紧密对齐任务中会因接触几何、摩擦或微小高度误差失败。其二，事件触发的多个超参（窗口大小 15、$\lambda_{\mathrm{on}}=3.0$、$\lambda_{\mathrm{off}}=2.0$、耐心 $p=5$、冷却 10 步）需要按场景调定，论文虽给出敏感性分析（$\eta=1$ 最优、40M LVM 足够），但跨任务族的最优配置仍可能需要重新标定。

总结与展望

VLA-Corrector 研究了动作块 VLA 策略中的开环盲区：固定horizon提升调用效率，却允许陈旧动作累积误差。它以轻量"检测—修正"层回应：监控潜视觉动力学、在漂移持续时截断陈旧动作、并把下一次推理引导向恢复方向。结果表明，小型推理期模块无需重训 VLA 主干即可提供定向的鲁棒性增益。它不是取代动作块，而是让动作块变得自适应：可靠时保留长horizon执行，不可信时调用纠正重规划。对机器人开发者而言，这提供了一条低成本、可插拔的鲁棒性增强路径——在冻结的强主干之上叠加一个约 40M 的监控/纠正模块，即可在长horizon、接触丰富的操作任务中显著降低复合错误。

金句

"关键不在于选择一个更好的固定horizon，而在于判断当前的动作块何时不再值得信任。"
—— 论文引言：This suggests that the key is not to choose a better fixed horizon, but to decide when the current chunk should stop being trusted.