来源：3DCV

原文链接：https://mp.weixin.qq.com/s/Ba6RgK1gjOQsi6BQuM4hLw

• 西安交通大学人机混合增强智能全国重点实验室 × 江苏细胞壁智能科技有限公司联合团队的最新工作 ChunkFlow 被机器人领域旗舰会议 IROS 2026 接收。该工作直击 VLA 模型分块执行（action chunking）中的时序不连续问题，提出"接缝感知"的训练-执行一体化框架：LIBERO-Long 成功率 93.4% ，单步推理延迟仅 4.43 ms，真机任务 9/10* 成功。

一、问题：Chunk 拼起来的动作，为什么会"抖"？

当前主流 VLA（Vision-Language-Action）模型为了满足实时控制需求，普遍采用动作分块（action chunking）输出头：每次推理不预测单步动作，而是一次吐出一段短动作序列（chunk）。这种设计摊薄了推理成本，是 OpenVLA、GR-2、Octo 等模型的标配。

但它带来一个被长期低估的失效模式——边界抖动（boundary jitter）。相邻两个 chunk 是在略有偏移的观测和历史下分别预测的，重叠区域的动作往往互相"打架"：轨迹在 chunk 交界处出现速度、加速度尖峰，轻则动作不连贯，重则直接导致任务失败。

布条抓取任务真机部署。下图为末端 roll 角前 200 步的一阶/二阶/三阶差分曲线，ChunkFlow（对比 PI0.5）显著抑制了 chunk 边界处的尖峰和高频毛刺。

现有的缓解手段基本停留在推理时打补丁：比如 RTC 在推理阶段对接缝做在线插值平滑。但插值只是对两个"互相矛盾"的预测重新加权，并没有修正预测本身的错误——在历史信息有噪声或偏差时，误差会持续累积。更根本的问题在于，主流 VLA 训练管线对 chunk 施加均匀的逐步损失，训练阶段完全没有接缝监督，模型从未学过"如何让相邻 chunk 彼此对齐"。

这就引出了本文的核心问题：能否让策略在训练时就内化"可拼接"的结构，而不是执行时再缝缝补补？

二、方法：ChunkFlow 的三板斧

ChunkFlow 框架总览。每个 chunk 被划分为 frozen（已提交）、editable（可编辑接缝）、future（未来）三个语义区段，训练融合连续性正则与强化微调。

ChunkFlow 是一个"接缝感知"（seam-aware）的分块策略训练与执行框架，由三个相互耦合的组件构成。

① 结构对齐的重叠融合：零延迟的确定性拼接

ChunkFlow 首先给 chunk 引入执行语义：每个长度为 L 的 chunk 被划分为三个区段——frozen（因延迟/执行已提交的前缀）、editable（与上一 chunk 重叠、可融合的接缝区，长度 O）、future（本次预测但下轮才执行的后缀）。

在重叠区，相邻 chunk 的预测通过线性权重做确定性融合——无参数、无需额外的一次策略前向，每步开销仅 O(d) 次浮点运算，因此完全不增加推理延迟。与推理时才平滑的方法不同，这个重叠结构在训练阶段就被暴露给模型：一个作用在融合前原始预测上的接缝一致性损失（boundary loss），直接惩罚相邻 chunk 在重叠区的分歧，让"对齐"成为策略自身的能力而非事后修补。

理论上，团队证明了在策略局部 Lipschitz 连续等温和假设下，接缝误差的期望满足 **O((L−O)²)**——重叠长度 O 越大，边界失配以二次速率被压制，与消融实验观测一致。

② 连续性正则的策略优化：从源头抑制高频噪声

在监督训练阶段，ChunkFlow 在行为克隆损失之外叠加一阶（总变差）与二阶（曲率/jerk）时序连续性惩罚，从源头抑制轨迹的高频不稳定分量。

同时，考虑到策略以最近 p 步动作历史为条件，而部署时历史必然带噪，训练中引入随机历史腐蚀（高斯扰动 + 随机置零）与scheduled sampling，模拟不完美 rollout、降低暴露偏差（exposure bias）。理论分析给出：在连续性正则诱导收缩率 ρ<1 的条件下，长程累积偏差有 L_π/(1−ρ)·T·ε 的上界，将局部正则与长时程稳定性联系了起来。

③ 保结构的优势加权微调：让 RL 不破坏接缝

模仿学习受限于示教数据的覆盖度。ChunkFlow 引入基于 AWAC + expectile critic 的强化微调阶段：critic 在实际执行的（融合后）动作历史上估计优势，用截断的指数权重放大高优势动作；同时全程保留接缝损失与连续性正则（配合 stop-gradient 避免跨 chunk 循环依赖），再辅以 KL 约束与熵正则稳定更新。

消融显示这一步至关重要：不带连续性约束的裸 AWAC 虽能降低频谱噪声，但无法修复边界失配；而带约束的 Safe RL-FT 将 CALVIN 成功长度从 4.10 拉回 4.30，HF_ratio 从 1.000 降到 0.431。

三、实验：成功率与平滑度可以兼得

CALVIN ABC-D：最优的成功-平滑权衡

对比经典 BC/RL、扩散/流策略与自回归 VLA 三类方法，ChunkFlow 取得平均任务序列长度 4.30，同时拿下一阶/二阶动作平滑度（MSD-Δa=0.075 / MSD-Δ²a=0.154）、接缝跳变 Bjump（0.209）、高频能量占比 HF_ratio（0.431）和 TV-L1（0.001）等多项指标最优。

归一化成功率 vs. 平滑度。ChunkFlow 位于 Pareto 前沿。

LIBERO-Long：93.4% 成功率 + 4.43 ms 延迟

跨数据集泛化实验中，ChunkFlow 达到 93.4% 长程成功率，超过 PI0.5（92.6%）、OpenVLA（53.7%）等强基线，且所有平滑度指标同时最优。

这里有个耐人寻味的对照：PI0.5-RTC 用推理时融合确实降低了边界伪影，但成功率反而从 92.6% 跌到 83.7%——印证了本文核心假设：推理时平滑无法修复接缝处错位的预测，只会让偏差继续累积。而 ChunkFlow 因为融合是免费的确定性操作、推理均摊在重叠 chunk 上，平均动作推理延迟仅 4.43 ms，约为 RTC（18.47 ms）的 1/4。

真机部署：布条抓取 + 积木插装

自研 6 自由度协作臂 Armigo-3 实验平台，配备顶部/前置/腕部三路 RealSense D405。

团队在自研 6-DoF 协作臂上部署了两个组合操作任务：从布料堆中抽取单根布条（需要精细视觉辨别和一致的运动以避免缠绕），以及将积木插入紧配合卡槽（需要接触感知与平滑对准）。两项任务合计取得 9/10 的成功，末端轨迹的各阶差分曲线均明显干净于基线。

消融：为什么"训练时焊接"不可替代？

论文的消融实验系统地排除了各种"捷径"。推理时才加 overlap，重叠越大反而越差（O=8 时成功长度掉到 3.60）——因为模型没学过对齐，冗余预测互相冲突；Savitzky-Golay、Butterworth 等经典滤波器能磨平高阶抖动，却压不住接缝伪影（Bjump ≥ 0.228）和频谱混叠；超参数扫描确认 L=10、O=8 的配置在 3 Hz 以上高频能量抑制最好，且 ±100 ms 控制延迟下性能几乎无退化。

不同 overlap/chunk 长度下动作导数的功率谱密度。默认配置（L=10, O=8）在 3 Hz 以上保持低能量。

结论指向同一点：结构性的不连续，必须用结构性的训练来解决——事后去噪替代不了训练时的接缝监督。

四、总结

ChunkFlow 的贡献不在于又一个 VLA backbone，而在于回答了一个所有分块策略都绕不开的系统性问题：chunk 与 chunk 之间的接缝该由谁负责。它给出的答案是三位一体的：执行语义分区 + 零延迟确定性融合（执行层）、接缝与连续性联合正则（训练层）、保结构的优势加权微调（部署适配层），并配有接缝误差随重叠二次衰减的理论保证。

对于任何采用 action chunking 的 VLA 系统，这套方法即插即用、不改 backbone、不加推理开销——这可能是它最实用的地方。

团队介绍

本工作由 CyboPal Research Team 完成，团队来自西安交通大学人工智能与机器人研究所、人机混合增强智能全国重点实验室与江苏细胞壁智能科技有限公司，真机实验基于自研 Armigo-3 协作机械臂完成。团队近期量产的首款产品CyboPal ONE :https://cybopal\.com是全球首个**桌面级机器人**。

本文仅做学术分享，如有侵权，请联系删文。

原文链接: https://www.leiphone.com/category/private/ZQZ8eLy2OEqmMCWt.html