FASTER

FASTER: Rethinking Real-Time Flow VLAs (Arxiv 2026)

Paper

---

Motivation

• 痛点：基于 Flow Matching 的 Action Chunking VLA 虽然保证了动作多峰分布与高精度，但在动态交互场景下面临严重的反应延迟瓶颈。
• Constant Schedule 的缺陷：对整段 Chunk 内所有动作分配相同的全局去噪步长。机器人必须等待全部多步 ODE 求解完成后才能拿到第一个动作 $a_1$，导致 TTFA 过长，无法应对突发动态环境。

• 洞察：动作 Chunk 内不同时间步的去噪复杂度具有非对称性。Near-term Actions 受当前视觉条件约束强，流线更趋近直线，仅需单步即可高精度求解；而 Long-horizon Actions 才需要多步求解来保证轨迹平滑与长程质量。

---

Contribution

1. 反应时间量化：分析 Action Chunking 架构下反应延迟的物理机理，建模 TTFA 与 Execution Horizon 对闭环控制的影响。

2. Horizon-Aware Schedule (HAS)：解耦动作块各帧的去噪进度。首个动作仅需单步求解（$t: 1 \to 0$）即下发执行，实现 TTFA 约 10 倍加速，后续动作随时间逐步多步细化。
3. Mixed Schedule 微调：在不改变损失函数与模型结构的前提下，通过混合异构时步与恒定时步分布进行微调，消除训练与推理间的分布偏移。
4. Streaming Pipeline：打通去噪与执行的异步流水线，首步计算完毕立即下发执行，执行期间后台并行更新 Action Buffer，显著降低消费级 GPU 的部署门槛。

---

Limitation

。

---

Architecture

完全复用标准的 DiT / Action Expert 架构。

• 异构时间步向量：
  • 将全局标量 $t$ 扩展为 Token 级的时间步向量 $\mathbf{t} = [t^{(1)}, t^{(2)}, \dots, t^{(K)}]$。
  • 每个动作 Token 注入各自的时间步嵌入：
  $$h^{(k)} = \text{Embed}(a^{(k)}) + \text{TimeEmbed}(t^{(k)})$$
• 单链非均匀 ODE 积分机制：
  • Step 1：$a_1$ 步长取 $\Delta t^{(1)} = 1.0$（直接归零），$a_k$（$k>1$）取较小步长。前向传播完成后，立即将已收敛的 $a_1$ 提取并推流至执行器。
  • Step $2 \sim N$：固定已执行动作，未完成去噪的远期动作以已收敛 Token 为先验条件，在后续迭代中通过 Self-Attention 持续细化更新。
• 损失函数：沿用标准 Flow Matching MSE 损失，仅在采样 $\mathbf{t}$ 时引入异构采样联合分布： $$\mathcal{L}_{FM} = \mathbb{E}_{\mathbf{t}, \mathbf{x}_0, \mathbf{x}_1} \left[ \| v_\theta(\mathbf{x}_\mathbf{t}, \mathbf{t}) - u_t(\mathbf{x}_1 | \mathbf{x}_0) \|^2 \right]$$

---

Experiments

• 评估基准与任务：涵盖高动态抓取、轨迹拦截仿真，以及真实物理机器人任务（乒乓球击球、动态接球与扰动恢复）。

• 核心指标对比：

  

  首动作生成时间相比传统 10-step Constant Schedule 极限情况下最高可降低 10 倍（但是给出的表格最高是 3 倍）。

  

  • 在高动态突发扰动任务中，成功率显著高于原生 Constant Schedule 与 RTC 基线。