异步机器人策略

视觉-语言基础模型的规模扩展显著推动了通用机器人操作能力的发展，但模型规模的增大带来了计算延迟，降低了实时物理响应能力。现有的视觉-语言-动作（VLA）架构在主控制回路中按顺序执行高级语义推理和动作执行，从根本上造成了语义推理能力与机器人敏捷性之间的矛盾。为此，我们提出异步机器人策略（ARP），这是一种利用以独立频率运行的异步进程，将语义推理与低层动作生成解耦的架构框架。在 ARP 中，高容量视觉-语言模型（VLM）以低频率异步更新语义记忆，而以该语义记忆为条件的轻量级视觉-动作专家则以高得多的控制频率生成机器人动作。这种形式能够在不牺牲语义能力的情况下，实现快速的感知-动作回路。为解决异步记忆陈旧问题，ARP 让视觉-动作专家在存在语义陈旧性和执行延迟的情况下进行训练，使不同进程间的观测在时间上存在错配。在 Franka 操作任务中，ARP 在准静态设置下将成功率提高了 18%，执行所需时间减少了 20%；在动态仿真环境中，其性能达到基线的 3 至 5 倍。此外，ARP 使 VLM 能够以比其标称频率低 10 倍的频率运行，同时几乎不造成性能损失，因此效率远高于基线。这些结果凸显了将机器人策略建模为异步进程的架构优势，使基础模型能够在不牺牲规模的情况下实现真实世界中的响应式部署。