VQ-VLA：大规模合成数据驱动动作tokenizer，推理速度提升近三倍

1. 动作表示效率低 ：传统连续动作离散化方法（如均匀分桶）难以捕捉复杂时空动态，导致长时域任务 中累积误差增大 2. 数据依赖瓶颈 ：真实机器人数据采集成本高，限制模型泛化能力 点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Yating Wang等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 背景 视觉-语言-动作模型（VLA） 在多模态机器人控制中面临两大挑战： 核心贡献 通用动作分词器框架 ：提出基于卷积残差VQ-VAE的通用动作分词器框架，替代传统分桶离散化方法。 合成数据驱动缩放 ：首次证明动作轨迹的合成-真实域差异极小（ Table 3 显示纯合成数据训练的VQ 在真实任务接近混合数据性能），利用超大规模合成数据（100倍于先前工作）训练分词器。 性能全面优化 ：显著提升VLA模型的三项核心指标： 成功率 ：长时域任务成功率最高提升30%（真实机器人实验 Figure 3 ） 关键技术方案 1. 卷积残差VQ-VA ...