VLA-Rolling：通过自适应动作复用，以更少去噪步数实现更优控制

基于摘要分析。本文研究 flow-matching vision-language-action（VLA）模型在滚动时域控制中丢弃未执行动作尾部所造成的计算浪费，提出 VLA-Rolling：复用上一轮动作尾部，并依据更新后的环境自适应细化动作，在冻结底层 VLA 的条件下降低推理成本。 这类模型通常从 Gaussian noise 迭代去噪生成动作块，但只执行其较短前缀，随后根据新观测重新规划。作者报告，被丢弃的动作尾部保留了可迁移的去噪进度，以其初始化可用更少去噪步数达到或超过原生 10 步 Gaussian noise 初始化基线；但不同样本所需的最优去噪预算差异明显。VLA-Rolling 因此采用动作尾部继承、逐动作置信度估计，以及置信度引导的重新加噪和去噪预算分配三个阶段，而非固定次数地复用旧预测。摘要未说明置信度的具体计算方式及额外计算开销。 作者报告，在 π₀.₅、SmolVLA、X-VLA、MolmoAct2 与 LIBERO、MetaWorld、LIBERO-Plus、RoboTwin 2.0 构成的 16 个模型—基准组合中，动作块推理成本均降低，最高加速为 1.48 倍；其中 14 个组合的成功率提高，最大增幅为 15.08 个百分点。这些最大值未在摘要中对应到具体组合，不能视为同一设置下同时取得的收益。实验协议、计时边界、消融及统计信息尚未验证。 原论文的主要对象是机器人 VLA 控制，并非 EEG 解码或 BCI。平台推测（待验证）：若某类 BCI 控制系统同样采用生成式动作块与滚动重规划，可考虑复用未执行部分；需改造基于新神经观测的置信度估计和动作安全约束，低信噪比、意图突变及跨被试偏移可能使旧动作尾部失效。可在固定生成式控制器上，比较全噪声重生成、固定尾部复用与自适应复用的延迟和控制成功率，并单独测试意图切换。此假设不适用于一般 EEG 分类任务；已有 EEG 相关工作尚未检索确认。