ReactVLA: Fast and Lightweight Reactive Robot Manipulation via Improved Mean Flow Action Generation

📄 arXiv: 2606.14255v1 📥 PDF

作者: Yanzhao Guo, Wenkai Chen, Jianwei Zhang

分类: cs.RO

发布日期: 2026-06-12

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出ReactVLA以解决机器人操控中的低延迟问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 机器人操控 视觉-语言-动作 低延迟推理 多模态表示 动态特征路由

📋 核心要点

  1. 现有的扩散基础视觉-语言-动作策略在实时反应式机器人操控中存在显著的推理延迟问题，限制了其应用。
  2. 本文提出的ReactVLA框架通过改进的均值流动作生成器和动态特征路由机制，显著降低了动作生成的延迟。
  3. 实验结果显示，ReactVLA在多个基准测试中表现优异，任务性能提升达1.65倍，推理速度提高超过4倍。

📝 摘要（中文）

基于扩散的视觉-语言-动作（VLA）策略在建模多模态动作分布方面表现出色。然而，它们对迭代采样的依赖导致了显著的推理延迟，限制了其在反应式闭环机器人操控中的应用。为了解决这一问题，本文提出了ReactVLA，一个轻量级、低延迟的VLA框架，旨在实现实时机器人操控。ReactVLA结合了两种互补设计：改进的均值流（iMF）动作生成器将昂贵的多步扩散采样减少为一到几步的动作生成，以及动态深度特征路由机制Attention Residuals（AttnRes），以更好地保留任务相关的多模态表示。实验结果表明，ReactVLA在多个大型仿真基准和实际机器人操控任务中均优于同类VLA基线，且在精确操控任务中性能提升达1.65倍，同时推理速度提高超过4倍。

🔬 方法详解

问题定义：本文旨在解决现有扩散基础视觉-语言-动作策略在反应式机器人操控中因迭代采样导致的高推理延迟问题。现有方法在实时应用中表现不佳，限制了其实际使用。

核心思路：ReactVLA通过引入改进的均值流（iMF）动作生成器，将多步扩散采样简化为一到几步的动作生成，从而显著降低延迟。同时，采用Attention Residuals（AttnRes）机制，动态路由特征以保留任务相关的多模态表示。

技术框架：ReactVLA的整体架构包括两个主要模块：iMF动作生成器和AttnRes特征路由机制。iMF负责快速生成动作，而AttnRes则确保生成的动作在多模态特征上保持一致性和相关性。

关键创新：本文的关键创新在于将多步采样简化为少量步骤的生成过程，显著提升了推理速度。同时，AttnRes机制的引入使得特征路由更加灵活，能够更好地适应不同任务的需求。

关键设计：在设计中，iMF动作生成器的参数设置经过精心调整，以确保在减少步骤的同时不损失生成质量。AttnRes机制则通过动态调整特征通道的权重，优化了多模态表示的保留效果。整体网络结构经过多次实验验证，以达到最佳性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ReactVLA在精确操控任务中性能提升达到1.65倍，同时推理速度较领先的VLA模型提高超过4倍，实际政策延迟降低至38.6毫秒以下，显著增强了机器人在物理平台上的反应能力。

🎯 应用场景

该研究的潜在应用领域包括工业机器人、服务机器人以及任何需要实时反应的自动化系统。通过降低推理延迟，ReactVLA能够在动态环境中实现更高效的操控，提升机器人在复杂任务中的适应能力和执行效率，具有重要的实际价值和未来影响。

📄 摘要（原文）

Diffusion-based Vision-Language-Action (VLA) policies have demonstrated strong capability in modeling expressive and multimodal action distributions. However, their reliance on iterative sampling introduces substantial inference latency, which limits their applicability to reactive closed-loop robot manipulation. To address this limitation, we propose \texttt{ReactVLA}, a lightweight and low-latency VLA framework for real-time robotic manipulation. \texttt{ReactVLA} combines two complementary designs: (1) an improved Mean Flow (iMF) action generator that reduces expensive multi-step diffusion sampling to one-to-few-step action generation, and (2) Attention Residuals (AttnRes), a dynamic depth-wise feature routing mechanism that replaces uniform residual accumulation to better preserve task-relevant multimodal representations. We evaluate \texttt{ReactVLA} on large-scale simulation benchmarks, including LIBERO and RoboIMI, as well as real-world robotic manipulation tasks. Experimental results show that \texttt{ReactVLA} consistently outperforms similarly sized VLA baselines, including SmolVLA and $π_0$. On challenging precision manipulation tasks, \texttt{ReactVLA} achieves up to a 1.65$\times$ improvement in task performance while providing more than a 4$\times$ increase in inference speed compared with leading VLA models. Finally, it reduces real-world policy latency to below 38.6 ms, enabling fast reactive control on physical robot platforms. Please check out our project website at: https://game-loader.github.io/ReactVLA/.