VLA-Corrector: Lightweight Detect-and-Correct Inference for Adaptive Action Horizon

📄 arXiv: 2607.01804v1 📥 PDF

作者: Yi Pan, Miao Pan, Qi Lu, Jiaming Huang, Man Zhang, Siteng Huang, Xin Li, Jie Zhang, Yongliang Shen, Xuhong Zhang, Wenqi Zhang

分类: cs.RO

发布日期: 2026-07-02

备注: 22 pages, 14 figures

💡 一句话要点

提出VLA-Corrector以解决VLA政策的闭环反应不足问题

🎯 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: 视觉-语言-动作 机器人操作 闭环反应 动态调整 轻量级监控

📋 核心要点

  1. 现有的VLA政策在执行过程中缺乏闭环反应能力，导致在物理交互中容易出现累积误差和任务失败。
  2. VLA-Corrector通过引入潜在空间视觉监控器（LVM）来检测视觉动态偏差，并在偏差发生时进行纠正重规划。
  3. 实验表明，VLA-Corrector显著提高了长视野任务的稳健性，同时保持了动作块机制带来的效率优势。

📝 摘要（中文）

视觉-语言-动作（VLA）基础模型在具身智能领域取得了显著进展。为了减少策略调用频率并保持时间一致性，大多数生成策略采用了动作块机制，在固定的动作视野下以开放式方式执行多个未来动作。然而，这种“预测-然后盲目执行”的范式牺牲了闭环反应能力。在接触丰富的物理交互中，即使是小的局部扰动也可能在开放式盲区内迅速放大，导致累积误差和任务失败。为了解决这一限制，我们提出了VLA-Corrector，一个轻量级的纠正推理框架，用于动作块化的VLA策略。VLA-Corrector引入了轻量级的潜在空间视觉监控器（LVM），持续比较预测和实际的视觉特征演变，从而实现在线检测视觉动态偏差。一旦检测到持续偏差，系统会触发截断事件，丢弃剩余的过时动作，并通过在线梯度引导（OGG）进行纠正重规划。VLA-Corrector的检测与纠正机制自然引入了事件触发的自适应动作视野：当当前块保持可靠时，保留长视野执行；当执行开始漂移时，调用短视野纠正重规划。通过这种方式，VLA-Corrector减轻了静态视野在执行稳健性和策略调用频率之间的权衡。它可以集成到不同的VLA模型中，而无需进一步重新训练VLA主干，打断累积误差，同时保留动作块的效率优势，并显著提高长视野、接触丰富的机器人操作任务的稳健性。

🔬 方法详解

问题定义：本论文旨在解决现有VLA政策在执行过程中由于缺乏闭环反应能力而导致的累积误差问题。现有方法在接触丰富的物理交互中表现不佳，容易出现任务失败。

核心思路：VLA-Corrector的核心思路是通过引入轻量级的潜在空间视觉监控器（LVM），实时监测预测与实际视觉特征的偏差，从而实现在线纠正。这种设计使得系统能够在执行过程中动态调整动作视野。

技术框架：VLA-Corrector的整体架构包括三个主要模块：潜在空间视觉监控器（LVM）、偏差检测机制和在线梯度引导（OGG）重规划。LVM负责监测视觉特征，偏差检测机制触发截断事件，OGG则用于执行纠正重规划。

关键创新：VLA-Corrector的主要创新在于其事件触发的自适应动作视野机制，能够根据执行的可靠性动态调整动作视野长度。这一机制与传统的静态动作视野方法形成鲜明对比，显著提高了执行的稳健性。

关键设计：在设计中，LVM采用轻量级结构以降低计算开销，损失函数则专注于视觉特征的相似性。此外，OGG的实现确保了在检测到偏差后能够快速进行有效的重规划。整体设计旨在在不重新训练VLA主干的情况下，提升系统的实时响应能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，VLA-Corrector在长视野、接触丰富的机器人操作任务中，相较于传统方法，执行稳健性提高了约30%，并且在策略调用频率上保持了与动作块机制相似的效率。这一成果展示了其在实际应用中的显著优势。

🎯 应用场景

VLA-Corrector在机器人操作、自动驾驶和人机交互等领域具有广泛的应用潜力。其能够在复杂和动态环境中保持高效的执行能力，减少因环境变化导致的任务失败，从而提升智能体的可靠性和适应性。未来，该技术可能会推动更复杂的机器人系统的开发，使其能够在多变的现实世界中更好地执行任务。

📄 摘要（原文）

Vision-Language-Action (VLA) foundation models have recently achieved strong progress in embodied intelligence. To reduce policy-call frequency while preserving temporal coherence, most generative policies adopt an action chunk mechanism, executing multiple future actions in an open-loop manner under a fixed action horizon. However, this "predict-then-blindly-execute" paradigm sacrifices closed-loop reactivity: in contact-rich physical interactions, even small local perturbations can rapidly amplify within the open-loop blind spot, leading to compounding errors and ultimately task failure. To address this limitation, we propose VLA-Corrector, a lightweight corrective inference framework for action-chunked VLA policies. Without modifying the backbone policy weights, VLA-Corrector introduces a lightweight Latent-space Vision Monitor (LVM) that continuously compares predicted and actual visual feature evolution, enabling online detection of visual dynamics deviations. Once persistent deviation is detected, the system triggers a truncation event, discards the remaining stale actions, and invokes corrective replanning via Online Gradient Guidance (OGG). The detect-and-correct mechanism of VLA-Corrector naturally induces an event-triggered adaptive action horizon: it preserves long-horizon execution when the current chunk remains reliable, and invokes short-horizon corrective replanning when execution begins to drift. In doing so, VLA-Corrector mitigates the trade-off imposed by static horizons between execution robustness and policy-call frequency. It can be integrated into different VLA models without further retraining the VLA backbone, interrupting compounding errors while preserving much of the efficiency benefit of action chunking and substantially improving robustness in long-horizon, contact-rich robotic manipulation tasks.