REACT：面向 VLA 模型反应式机器人控制的滚动去噪与双重解耦

基于摘要分析。该研究针对基于流的 vision-language-action（VLA）模型在分块动作控制中的权衡：长动作块有利于平滑执行，频繁重规划则提高响应能力但可能导致动作不连续。REACT 通过滚动去噪保留长期动作上下文，并结合双重解耦支持实时闭环控制。 核心机制是维护带有错开流时间步的持续动作缓冲区，而非每次从噪声重新生成整个动作块。每个控制步利用最新观测对完整预测时域去噪，执行去噪程度最高的动作块，将部分细化的未来动作块向前移动，并在缓冲区末尾补入新噪声。因此，一个动作块在执行前可结合多次近期观测逐步细化。双重解耦进一步将感知、VLM 编码、DiT 去噪和动作执行分离，以在实际算力约束下支持高频观测更新与动作流式输出；具体调度和同步机制尚未验证。 作者报告，在 RoboTwin 2.0 仿真基准及涉及多个机器人平台的真实双臂操作、动态控制任务中，REACT 相比频繁重规划和异步基线提高任务成功率、降低反应延迟，并生成更平滑的轨迹。摘要未提供具体数值、基线名称或评估划分，实验协议、消融及统计信息尚未验证。复现需核对基础 VLA 模型、动作块与缓冲区配置、去噪更新预算、运行硬件，以及反应延迟和平滑性的测量方式。 平台推测（待验证）：其可供 EEG/BCI 闭环系统借鉴的是“持续保留未来控制状态、随新观测渐进修正”的控制思想，而非已证实可迁移的 EEG 解码方法。假设适用场景为 EEG 意图驱动的连续辅助控制，需将 EEG 解码输出接入条件更新，并改造动作表示与执行接口；低信噪比、跨被试差异及解码延迟可能使滚动更新积累误差。可在固定解码器和相同计算预算下，对比整段重规划与滚动更新的响应延迟、轨迹平滑性和任务成功率，以检验该假设。相关 EEG 工作尚未检索确认。