Training-Time RTC——在训练时做动作分块：消除推理阶段的计算开销，让π0.6完成箱子装配与咖啡制作

前言

实时分块(RTC)技术通过异步预测动作块，并借助推理时图像修复对已执行动作进行调节，使VLA能够生成流畅、响应迅速的机器人运动轨迹

然而这种修复方法会引入增加推理延迟的计算开销

1. PI因此再次提出一种简洁替代方案：在训练时模拟推理延迟，直接对动作前缀进行调节，从而消除所有推理时开销
   该方法无需修改模型架构或机器人运行时系统，仅需增加数行代码即可实现
2. 至于实际效果上
   一方面，模拟实验表明，在较高推理延迟场景下，训练时实时分块（training-time RTC）性能优于推理时实时计算（inference-time RTC）
   二方面，通过π0.6版VLA模型在箱体构建与浓缩咖啡制作任务中的实体实验证明：训练时实时分块在保持任务性能与执行速度的同时，计算成本显著低于推理时实时计算

第一部分

1.1 引言、相关工作、预备知识

1.1.1 引言

如原论文所述，与聊天机器人或搜索引擎不同，具身智能体必须在实时环境中运作。智能体行为与环境之间的反馈循环要求其具备即时响应能力——如同人类运动员，当外部环境变化时，智能体无法简单地'停滞思考'

然而，前沿模型规模持续扩大使得这一要求愈发难以满足。这在机器人学习领域体现得尤为明显：由数十亿参数组成的VLA正日益广泛地应用于高频机器人控制，以完成精密操作任务。当模型推理延迟达到数十至数百毫秒时，生成流畅且响应灵敏的运动轨迹是一项巨大挑战

实时分块处理技术（RTC；[5]）通过融合动作分块[9, 27]、流匹配[13]和推理时动作修复[18, 21]，为解决该问题提供了有效途径

1. 在实时分块（RTC）技术中，动作区块以异步方式被预测——当前区块仍在执行时，下一个区块已开始生成
   为确保区块间的连续性，每个生成过程均以先前预测动作的冻结前缀作为调节条件，填补剩余部分
2. 然而，RTC采用的推理时图像修复方法会引入额外计算开销——进而导致延迟——这在某种程度上违背了实时执行框架的设计初衷
   实证研究表明，推理时图像修复方法本质上难以应对高推理延迟场景

对此，来自PI公司的研究者 Kevin Black、Allen Z. Ren、Michael Equi、Sergey Levine通过一种训练时模拟推理延迟的图像修复方法增强RTC系统，彻底消除推理阶段的计算开销『we augment RTC withan inpainting methodthatsimulates inference delay at training timeand eliminates any inference-time computational overhead』

1. 该方法可作为推理时RTC的直接替代方案：无需修改模型架构或机器人运行时环境，仅需添加数行代码即可实现
   在模拟基准测试中，训练时实时分块（training-time RTC）在高延迟场景下表现优于推理时实时分块（inference-time RTC）
2. 真实场景验证表明，通过对未经动作前缀调节预训练的基础模型进行微调，可成功实现训练时RTC的部署
   比如通过将训练时实时分块应用于π0.6 VLA模型[24]，作者在两项高复杂度任务（箱体构建与浓缩咖啡制作）中展现出优于推理时实时计算的性能提升

1.1.2 相关工作

首先，对于动作分块与VLA模型

1. 动作分块[9,26]已成为端到端模仿学习中视觉运动控制的实际标准方法。近期研究表明，通过增强视觉语言模型（VLM）生成动作分块的能力，在机器人操作领域取得显著成功，由此催生了VLA[4,6-8,10-12,14,17,28,29]
2. 随后涌现出大量方法，旨在解决大型VLA模型与高频控制之间的协调难题
   例如Gemini Robotics[23]与GR00T[3]采用分层式VLA架构，将模型拆分为重量级系统2（高层规划）与轻量级系统1（底层动作生成）组件
   MiniVLA [2] 和 SmolVLA [20] 提出的视觉语言动作模型架构，相比大多数设计具有更快的运行速度和更高的效率，使得边缘设备上的推理部署更具可行性

这些贡献与本文介绍的Training-Time RTC正交，各自存在权衡取舍

其次，对于VLA的实时执行

1. 最密切相关的先前研究是实时分块技术（RTC; [5]），其提出的异步执行框架为本研究奠定了基础
2. 同样相关的是 SmolVLA [20]，其提出的异步执行算法与 RTC 技术相似；然而 SmolVLA 未能解决分块间不连续性问题，导致分块衔接处出现分布外的'抖动'现象
3. 与本研究同期，A2C2 [19] 和 VLASH [22] 分别通过添加轻量级校正头模块和基于单个未来动作的条件处理，解决了不连续性问题
   与VLASH不同，作者在完整未来动作前缀上进行条件约束

1.1.3 背景知识

作者采用与RTC[5]相同的问题建模

1. 起始于动作分块策略
   其中
   表示未来动作块
   表示观测值，代表控制器时间步
   且称为预测时域，在推理阶段，每个动作块展开执行个时间步，其中称为执行范围
2. 为考虑模型推理耗时，作者定义作为以控制器时间步为单位的推理延迟
   若推理始于第步，则生成的动作块需至第步方可使用，因此前个动作实际无法执行
   但若满足，这些前个时间步将对应先前动作块的可执行动作
   
   作者称当前块与先前块重叠的这个动作为动作前缀(参见图1)
   上图展示两个重叠动作分块的示意图位于时间点 t 与 t+d 之间的动作(取自前一分块)即为动作前缀(红色标注)
   由图可知，必须满足约束条件才能构成有效动作前缀需注意：
   推理时实时计算使用全部 H-s 个重叠动作(红黄区域)指导当前分块生成
   而训练时实时分块仅使用前 d 个动作(红色区域)
3. 作者考虑采用条件流匹配[13]训练的策略，该方法最小化以下损失函数：
   
   
   其中是神经网络，表示流匹配时间步长。在推理时，可将从积分至 1，以生成数据集分布的样本

// 待更