ChainVLA: Chaining Vision-Language-Action Queries through a Unified Execution State for Long-Horizon Manipulation
作者: Yuzhi Huang, Weijue Bu, Ziyi Xiong, Jie Wu, Fanding Huang, Jingyan Jiang, Zhi Wang
分类: cs.RO
发布日期: 2026-08-03
备注: 13 pages (9 main + 4 appendix), 4 figures. Project page: https://muqy1818.github.io/chainvla-web/
💡 一句话要点
提出ChainVLA以解决长时间操作中的查询连贯性问题
🎯 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: 长时间操作 视觉-语言-动作 查询连贯性 机器人技术 任务进展 稀疏事件记忆 动作生成
📋 核心要点
- 现有的VLA策略在长时间操作中缺乏有效的查询连贯性，导致任务进展信息的丢失。
- ChainVLA通过联合执行状态和连续查询的设计，解决了现有方法在任务执行中的短期和长期信息整合问题。
- 实验表明，ChainVLA在多个基准测试中表现优异，相较于去除关键模块的情况，成功率显著提升。
📝 摘要（中文）
人类在进行长时间操作时，能够保留早期动作所建立的知识，并持续调整当前的动作。相比之下，现有的基于视觉-语言-动作（VLA）的策略在每次查询时都从当前输入重新规划。本文提出ChainVLA，一个拥有12亿参数的VLA策略，通过联合和可修订的执行状态将连续查询连接起来。Progress Context结合了递归工作状态和稀疏事件记忆，以携带观察导出的任务进展，而Motion Tail则将前一次预测的未执行部分输入到状态构建和动作生成中。实验结果显示，ChainVLA在RMBench上平均成功率达到62.8%，在四个LIBERO套件中达到98.8%。
🔬 方法详解
问题定义：本文旨在解决长时间操作中，现有VLA策略在每次查询时缺乏连贯性的问题。现有方法要么通过记忆保留长期任务证据，要么通过动作重用和集成保留短期运动，导致跨查询的交接不完整。
核心思路：ChainVLA的核心思路是通过一个联合和可修订的执行状态，将连续的查询连接起来。Progress Context和Motion Tail两个模块共同作用，使得每次动作生成都能基于最新的观察结果进行调整。
技术框架：ChainVLA的整体架构包括两个主要模块：Progress Context和Motion Tail。Progress Context结合递归工作状态和稀疏事件记忆，携带任务进展信息；Motion Tail则将前一次预测的未执行部分输入到状态构建中。
关键创新：ChainVLA的最重要创新在于其通过联合执行状态实现了查询之间的连贯性，避免了现有方法的短期和长期信息割裂。
关键设计：在设计中，ChainVLA采用了1.2B参数的模型，使用递归神经网络处理工作状态，并通过稀疏事件记忆来增强任务进展的保留能力。
🖼️ 关键图片
📊 实验亮点
ChainVLA在RMBench上实现了62.8%的平均成功率，在四个LIBERO套件中达到了98.8%的成功率。去除Motion Tail或Progress Context后，RMBench的成功率分别降至11.2%和3.0%，显示出这两个模块对任务执行的重要性。
🎯 应用场景
ChainVLA在机器人操作、自动化制造和人机交互等领域具有广泛的应用潜力。通过提高长时间操作的成功率，该研究能够显著提升机器人在复杂环境中的自主性和适应性，推动智能系统的发展。
📄 摘要（原文）
Humans perform long-horizon manipulation by retaining knowledge of what earlier actions have established while continuously adapting the motion underway. By contrast, action-chunked vision-language-action (VLA) policies repeatedly replan from the current input at each query. Existing methods preserve either long-term task evidence through memory or short-term motion through action reuse and ensembling, leaving the cross-query handoff incomplete. We introduce ChainVLA, a 1.2B-parameter VLA policy that chains successive queries through a joint and revisable execution state. Progress Context combines a recurrent Working State with sparse event memory to carry observation-derived task progress, while Motion Tail feeds the preceding prediction's unexecuted continuation into state construction and action generation. Together, the two components condition a decoder that regenerates each action horizon under the latest observation, allowing the carried state to guide the next prediction without fixing it. ChainVLA reaches 62.8% average success on RMBench and 98.8% across four LIBERO suites, while removing Motion Tail or Progress Context reduces RMBench success to 11.2% and 3.0%, respectively. These asymmetric ablations are consistent with motion continuity helping preserve the observation stream from which task progress is inferred.