TempoVLA：让机器人以可控速度执行任务的视觉-语言-动作模型

TempoVLA核心亮点 研究团队提出TempoVLA模型，解决现有视觉-语言-动作（VLA）模型固定速度的局限，实现机器人在低风险阶段快速移动、高风险接触阶段减速精确操作。其核心洞察为动作幅度决定执行速度，通过双组件架构（变速轨迹增强VSTA+速度条件机制）实现灵活速度控制，已在仿真与真实任务中验证有效性，为机器人操作系统提供新基础。

原作者/来源

• 作者团队：论文作者团队
• 来源：arXiv
• 原文标题：TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies
• 链接：http://arxiv.org/abs/2606.06491v1
• 发布时间：2026年6月4日

问题背景：固定速度的局限

机器人操作包含低风险过渡（如移动到目标）和高风险接触（如抓取装配）阶段，人类可动态调整速度，但现有VLA模型仅继承训练演示的单一固定速度。

现有方案不足

此前加速VLA的方法（模型压缩、KV缓存复用、强化学习微调）仅能切换固定速度，无法动态调整；且减速问题未被充分探索，高风险阶段难以精确慢速执行。

TempoVLA双组件架构

核心洞察

动作幅度（关节/末端执行器位姿变化量）决定机器人移动速度：幅度大则执行时间长（慢），幅度小则快。

1. 数据端：变速轨迹增强（VSTA）

• 加速：合并相邻动作增大幅度，快速完成运动
• 减速：拆分动作减小幅度，慢速执行
• 效果：保持运动语义，精确达目标速度，提升1倍速默认性能

2. 模型端：速度条件机制

将目标速度作为显式输入馈送策略网络，生成对应幅度动作，实现灵活速度控制。

实验验证结果

双向速度控制

• 低风险过渡阶段：快速移动节省时间
• 高风险接触阶段：慢速执行提高成功率

动态速度调节

与大型多模态模型（LMM）配合：

• LMM分析场景判断风险等级，发送速度指令（如接近目标减速、远离障碍物加速）
• 分层架构结合高层场景理解与低层运动控制，展现端到端系统方向

技术贡献与工程意义

理论层面

• 揭示动作幅度与执行速度的本质关系
• 提出变速学习新范式（数据增强而非修改模型结构）

工程层面

• 单一模型支持多速度，无需训练多个模型
• 速度条件即插即用，易集成现有VLA架构
• VSTA提升数据利用率，增强基础性能

应用场景

• 工业装配：快速接近+慢速装配
• 服务机器人：依环境复杂度动态调速
• 医疗机器人：高风险操作极慢，过渡阶段快速

局限与未来方向

现有局限

1. 速度范围受训练数据覆盖限制
2. 极端速度（超训练分布）泛化性差
3. 动态控制依赖LMM场景分析，可能增加推理延迟

未来研究

• 结合强化学习优化速度策略
• 探索无速度标签的自监督变速学习
• 扩展到人形、软体机器人等复杂形态