SparkVLA: Stop-Aware Hierarchical VLA with Adaptive Action Chunking for Long-Horizon Manipulation
作者: Xunyao Lei, Renjun Wu, Tianlin Huo, Xuesong Li
分类: cs.RO
发布日期: 2026-08-17
💡 一句话要点
提出SparkVLA以解决长时间操作中的停止与执行决策问题
🎯 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 层次化决策 机器人操作 自注意力机制 多模态学习
📋 核心要点
- 现有的层次化VLA系统在决策停止与执行长度时存在相互依赖性，导致无法有效优化这两个决策。
- SparkVLA通过将停止与执行长度的决策整合为单一排名，消除了阈值调优的复杂性，简化了决策过程。
- 在RoboCerebra平台上，SparkVLA的成功率显著提高，验证了其在实际机器人操作中的有效性和优势。
📝 摘要（中文）
在层次化的视觉-语言-动作（VLA）系统中，每次重新观察时需要做出两个接口决策：何时终止当前子任务以及执行提议的动作块的长度。这两个决策是相互依赖的，现有架构往往孤立评估，无法有效解决。本文提出SparkVLA，通过将这两个决策作为单一排名进行处理，消除了阈值调优的需求，仅需离线序数偏好。Anchor-Conditioned Context Encoding模块缓存历史感知的子任务锚编码，指导视觉标记修剪至任务相关区域；Stop-Aware Action-Prefix Selection头部通过全自注意力机制高效评分所有候选项。在RoboCerebra上，SparkVLA的成功率达到47.12%，超越官方层次基线30.57%和最强可复现方法26.83%。
🔬 方法详解
问题定义：本文旨在解决层次化视觉-语言-动作系统中停止与执行长度决策的相互依赖性问题。现有方法往往孤立评估这两个决策，导致优化效果不佳。
核心思路：SparkVLA通过将停止决策与动作前缀长度决策整合为一个统一的排名系统，允许系统在一个候选集内选择得分最高的选项，从而简化了决策过程。
技术框架：整体架构包括两个主要模块：Anchor-Conditioned Context Encoding模块和Stop-Aware Action-Prefix Selection头部。前者负责缓存历史感知的子任务锚编码，后者通过全自注意力机制高效评分候选项。
关键创新：最重要的创新在于将停止与执行长度的决策整合为单一排名，消除了传统方法中的阈值调优问题，使得决策过程更加高效和准确。
关键设计：在设计中，Anchor-Conditioned Context Encoding模块使用历史状态和目标语义进行编码，而Stop-Aware Action-Prefix Selection头部则在动作块边界使用全自注意力机制进行评分，确保了高效性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，SparkVLA在RoboCerebra平台上的成功率达到47.12%，相比官方层次基线提升了30.57%，并超越了最强可复现方法26.83%。这些结果验证了该方法在实际机器人任务中的有效性。
🎯 应用场景
该研究的潜在应用场景包括机器人操作、自动化制造和智能家居等领域。通过优化长时间操作中的决策过程，SparkVLA能够提升机器人在复杂环境中的自主性和效率，具有重要的实际价值和未来影响。
📄 摘要（原文）
At every re-observation point in a hierarchical Vision-Language-Action (VLA) system, two interface decisions must be made: when to terminate the current subtask and how far to execute the proposed action chunk. These decisions are mutually dependent---the optimal stopping point depends on what the executor plans to do, while the optimal execution length depends on where the subtask boundary lies---yet existing architectures evaluate them in isolation, an asymmetry neither module can overcome alone. We present SparkVLA, a stop-aware hierarchical VLA that resolves this mutual dependency by formulating both decisions as a single ranking: Stop competes against every action-prefix length in a unified candidate set, and the system selects the highest-scoring option, eliminating threshold tuning and requiring only offline ordinal preferences. An Anchor-Conditioned Context Encoding module caches a history-aware subtask anchor encoding onset-state memory and goal semantics, guiding visual-token pruning toward task-relevant regions; a Stop-Aware Action-Prefix Selection head scores all candidates via full self bnattention at chunk boundaries for efficiency. On RoboCerebra, SparkVLA achieves 47.12% success rate, surpassing the official hierarchical baseline by 30.57% and the strongest reproducible method by 26.83% Real-robot experiments on multi-step tasks further validate these gains on physical hardware.