HiRT | 异步控制策略，告别VLA时延问题

论文：HiRT: Enhancing Robotic Control with Hierarchical Robot Transformers

前言：HiRT 通过异步处理的策略，将 VLM 作为低频慢思考过程，将轻量的动作策略模型作为高频快响应过程，以此解决 VLA 驱动带来的控制时延问题。这是本菜看的第一篇具身智能相关的论文，理解总结不当处欢迎批评指正！

01 模型动机

研究背景：Large Vision-Language-Action (VLA)，基于Large Vision-Language models (VLM) 的推理生成动作控制信息，以此通过语言指令让机器人完成特定任务。

研究问题：虽然拥有数十亿参数的 VLM 带来了卓越的泛化优势，但产生大量的计算负担。在部署过程中，它会导致控制推理速度低和延迟高的问题。算力负担导致的控制时延仍然是一个大问题。

研究贡献：设计了一种新的快响应策略模型 HiRT：能够借助预训练 VLM 从多模态输入中提取丰富的语义表示，将这些表示应用于异步运行且独立于 VLM 的轻量级动作策略。控制频率提升一倍，甚至准确率也有略微提升，实物动态任务上准确率从48% →75%。

02 模型主体

2.1 核心思想

人类认知双重过程理论的启发（直觉型快思考，分析型慢思考）。在HiRT框架中，大型的视觉-语言模型（VLM）和轻量级的动作策略模型以不同的频率运行。VLM以较低频率运行，用于提取长期不变的特征，而动作策略模型则以较高频率运行，用于实时决策。这种设计允许模型在保持高性能的同时提高推理速度：

理解模块（长期场景理解，慢思考）：InstructBLIP，一个预训练大预言模型。
执行模块（短期场景认知，快思考）：轻量的基于视觉的行动策略。

2.2 理解模块：VLM驱动的低频慢思考过程

使用一个预训练的视觉-语言模型（InstructBLIP），将视觉观察（图像）和语言指令转换为潜在特征。这些特征包含了输入数据的丰富语义信息，并能够捕捉长期场景理解所需的信息，是任务规划必须依赖的高级特征。

2.3 执行模块：轻量模型驱动的高频快思考过程

Latent-Conditioned model == Lower-Level policy == Latent-Conditioned Policy

上述都是论文中出现的关键词，其实都在描述同一个东西：高频轻量模型，用于快速响应，输出动作决策。模型包括 Vision Encoder 和 Action Head，参数量小适合高速推理。此处需要关注的核心是，该模块如何使用 VLM 产生的特征。

VLM编码多模态信息并将其存储在缓存中。轻量级策略使用缓存中的最新潜在变量（高级特征）快速输出动作，从而避免了由于VLM较慢的推理速度而导致的延迟。同时，为了实现特征的条件调整，以更好地利用 VLM 得到的特征信息，同时文章使用了三种方法：FiLM、 Cross-Attention、 Prefix Tuning。

2.4 对齐问题：如何解决异步操作导致的延迟对齐问题。

由于VLM和动作策略模型运行频率不同，动作策略模型在某一时刻使用的 VLM 提取的潜在变量（latent variables），可能实际上反映的是几秒钟前的场景和指令信息。这意味着，动作策略模型在做出决策时，所依据的信息可能已经过时了。

在训练阶段，模型学习到的是从当前状态和最新的指令中提取特征并做出决策。然而，在实际应用中，由于潜在变量的延迟，动作策略模型可能不得不使用与训练时不一致的信息来做出决策。这种信息的不一致性，或者说“对齐问题”，可能会导致模型在实际应用中的表现不如训练过程。

为了解决这个问题，HiRT 框架在训练阶段随机选择过去观察上下文中的缓存信息，并使用相应的第三视角图像作为 VLM 的视觉输入。这样做可以增强模型对于时间不一致潜在变量的鲁棒性，即使在实际应用中遇到信息延迟的情况，也能保持较好的性能。简而言之，就是让模型在训练时就学会处理这种潜在的信息延迟，从而在实际使用中更加稳健。