**AR-VLA：面向视觉-语言-动作模型的真正自回归动作专家**

_AR-VLA: True Autoregressive Action Expert for Vision-Language-Action Models_

> 本文提出了一种独立的自回归（AR）动作专家，它将动作生成为连续的因果序列，同时以可刷新的视觉-语言前缀为条件。与现有的视觉-语言-动作（VLA）模型和扩散策略（它们在每个新观察时重置时间上下文并做出反应式预测）不同，我们的动作专家通过持久记忆维持自身历史并具有内在的上下文感知能力。这种结构解决了快速控制与慢速推理之间的频率不匹配问题，实现了运动语法的高效独立预训练，并与重型感知骨干网络进行模块化集成，从而自然地确保了跨帧的时空一致性动作生成。为了同步这些异步混合的视觉-语言-动作模态，我们采用了一种重新锚定机制，该机制在数学上考虑了训练和推理期间的感知滞后性。在模拟和真实机器人操作任务上的实验表明，所提出的方法可以有效地替代基于块的传统动作头，适用于专业和通用策略。AR-VLA表现出卓越的历史感知能力和显著更平滑的动作轨迹，同时保持或超越了最新反应式VLA的任务成功率。总体而言，我们的工作引入了一种可扩展的、上下文感知的动作生成范式，为训练有效的机器人策略提供了坚实的结构基础。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-19 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2603.10126)