Yixiang Zhu, Ruilong Wu, Yonghao Chen, Jiaxiang Zou, Yusong Hu, Xinyu Chen · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28019 · open-access PDF
Vision-Sprach-Aktion (VLA) -Politiken werden in der Regel mit asynchroner Schlussfolgerung in Einstellungen in der realen Welt implementiert, wo der nächste Aktionsteil generiert wird, während der Roboter immer noch den vorherigen ausführt. Zu der Zeit, wenn der neue Teil verpflichtet ist, haben sich der Roboter und die Szene geändert, so dass der Teil auf einer stalligen Beobachtung konditioniert ist und der Aufgabenergebnis scharf sinkt, wenn diese Schlussfolgerungsverzögerung wächst. Erzeugen von mehreren Kandidatenteilen könnten neuere Beobachtungen die endgültige Wahl informieren, aber bestehende Multi-Candidate-Methoden rangieren entweder Kandidaten mit der stalligen Schlussfolgerungs-Startbeobachtung oder
Machine translation (Meta M2M100); the English original follows.
Vision-language-action (VLA) policies are commonly deployed with asynchronous inference in real-world settings, where the next action chunk is generated while the robot is still executing the previous one. By the time the new chunk is committed, the robot and scene have changed, so the chunk is conditioned on a stale observation and task success drops sharply as this inference delay grows. Generating multiple candidate chunks could let newer observations inform the final choice, but existing multi-candidate methods either rank candidates with the stale inference-start observation or repeatedly
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28019, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange