SEAM: Smooth Execution of Action-Chunked Motion for Vision-Language-Action Policies

📄 arXiv: 2607.04609v1 📥 PDF

作者: Dijia Zhan, Xuemiao Xu, Jinyi Li, Jie Tang

分类: cs.RO

发布日期: 2026-07-06

备注: 8 pages, 4 figures, 5 tables

💡 一句话要点

提出SEAM以解决视觉-语言-动作策略中的动作块平滑执行问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作 动作块 平滑执行 多模态分叉 机器人控制 流匹配 速度引导损失引导

📋 核心要点

  1. 核心问题：现有的VLA策略在执行固定长度动作块时，容易出现相邻块之间的不一致性，导致轨迹模式不兼容。
  2. 方法要点：SEAM通过利用已执行动作的未执行部分作为一致性参考，提出了一种无需训练的推理方法，进行流匹配。
  3. 实验或效果：在LIBERO-10数据集上，SEAM减少了28%的边界抖动和27%的块过渡不连续性，同时保持了基线任务的成功率。

📝 摘要（中文）

视觉-语言-动作（VLA）策略在执行固定长度动作块时可能出现多模态分叉，即相邻块之间的不一致性，导致轨迹模式不兼容并在块边界产生突变。现有解决方案通常需要在每个去噪步骤中进行反向传播，依赖拒绝采样，或需要重新训练，导致计算成本或任务可靠性下降。本文提出了SEAM（平滑执行动作块运动），一种在推理时无需训练的方法，利用简单的同步执行原理，通过速度引导损失引导（VLS）在每个欧拉步骤后进行闭式修正，从而减少边界抖动和块过渡不连续性，同时保持基线任务成功率和去噪循环成本接近无引导基线。

🔬 方法详解

问题定义：本文旨在解决视觉-语言-动作策略在执行固定长度动作块时出现的多模态分叉问题。现有方法通常需要复杂的计算过程，如反向传播或重新训练，导致效率低下和任务可靠性下降。

核心思路：SEAM的核心思路是利用已执行动作的未执行部分作为一致性参考，通过速度引导损失引导（VLS）进行流匹配，从而实现平滑的动作块过渡。该方法在推理阶段无需进行额外的训练，降低了计算成本。

技术框架：SEAM的整体架构包括动作块的执行和一致性参考的利用。具体流程为：首先执行当前动作块，然后根据未执行部分生成时间依赖的目标，最后在每个欧拉步骤后进行闭式修正。

关键创新：SEAM的主要创新在于引入了速度引导损失引导（VLS），通过分析未执行部分来实现闭式修正，避免了传统方法中的反向传播需求。这一设计使得过渡更加平滑且计算效率更高。

关键设计：在实现过程中，SEAM采用了时间依赖的目标生成机制，并在每个步骤中应用闭式修正，确保了动作块之间的平滑过渡。具体的损失函数设计和网络结构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在LIBERO-10数据集上，SEAM显著减少了28%的边界抖动和27%的块过渡不连续性，同时保持了基线任务的成功率，且去噪循环成本接近无引导基线，展示了其在性能上的显著提升。

🎯 应用场景

该研究的潜在应用领域包括机器人控制、自动驾驶和人机交互等场景。通过实现更平滑的动作块过渡，SEAM可以提高机器人在复杂环境中的任务执行能力，增强人机协作的流畅性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Vision-Language-Action (VLA) policies that execute fixed-length action chunks can exhibit multimodal bifurcation: a cross-chunk inconsistency in which adjacent chunks generated from independent Gaussian latents can converge to incompatible trajectory modes, producing abrupt discontinuities at chunk boundaries. Existing remedies either require backpropagation through the policy at each denoising step, rely on rejection sampling, or require retraining, each trading computational cost or task reliability for smoother transitions. We propose SEAM (Smooth Execution of Action-Chunked Motion), a training-free inference-time method for flow matching VLAs. SEAM exploits a simple synchronous-execution insight: after the robot consumes the executed prefix, the previous chunk's unexecuted tail is already available as an analytic consistency reference. Its core mechanism, Velocity-guided Loss Steering (VLS), derives a time-dependent target from this tail and applies a closed-form correction after each Euler step without backpropagating through the policy network. On LIBERO-10 with pi_0.5, SEAM reduces boundary jerk by 28%, reduces chunk transition discontinuity by 27%, preserves baseline-level task success, and keeps denoising-loop cost near the unguided baseline.