arXiv cs.AI· Xiaoyang Xing, Chun-Mei Feng, Anthony Cohn, Xiaoliang Gong, Asoke Nandi·· 10 小时前AI 评分34
APS-VLA：面向高效视觉-语言-动作模型的动作引导与未来感知 Token 剪枝
APS-VLA: Action-Guided and Future-Aware Token Pruning for Efficient Vision-Language-Action Models
AI 导读
APS-VLA 提出一种在冻结预训练 VLA 主干的前提下，从机器人演示中学习视觉 Token 选择的框架，通过轻量级 Decision Influence Estimator 结合动作监督与视觉转移目标为 Token 打分。
正文 · AI 翻译
摘要：视觉-语言-动作（VLA）策略在机器人操作中已展现出强大的泛化能力，但处理密集的视觉 token 往往会带来较高的推理延迟。视觉 token 剪枝为降低这一开销提供了一种实用途径，但如何识别出一组紧凑且能保持可靠动作生成的 token 仍具挑战性。现有方法大多依赖静态或即时启发式线索来估计 token 的重要性。我们提出 APS-VLA，一个从机器人演示中学习视觉 token 选择的框架，同时保持预训练的 VLA 主干网络冻结。一个轻量的决策影响估计器以当前视觉观测、语言指令和机器人本体感知为条件对 token 进行打分。其训练结合了两种互补信号：动作监督同时匹配全输入策略的预测与演示动作，而一个辅助的视觉转移目标则利用演示动作，从所选表示预测后续视觉特征。在部署时，该估计器在策略原生动作生成流程之前执行一次硬选择与打包步骤；辅助预测器被移除。在 LIBERO 上使用 OpenVLA-OFT，以及在 RoboCasa365 上使用 $\pi_{0.5}$ 和 XR-1 的实验表明，该方法在任务成功率小幅变化的情况下实现了推理加速。在两个双臂平台的五个真实世界任务中，APS-VLA 将平均策略推理延迟从 137.25 ms 降至 93.25 ms，实现 $1.47\times$ 加速，平均成功率为 61%，而未剪枝基线为 60%。综合来看，这些结果支持 APS-VLA 作为一种模块化、即插即用的框架，适用于跨 VLA 架构的高效机器人控制，同时保留底层策略参数和原生动作生成流程。
| 评论： | 11 页，6 幅图，6 张表 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.13030 [cs.AI] |
| （或 arXiv:2611.13030v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13030 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xiaoyang Xing [查看邮箱]
[v1]
2026 年 11 月 9 日星期一 09:28:08 UTC（8,143 KB）
来源：arXiv cs.AI · arxiv.org