VLA 解码手记（二）：动作生成的发动机——Diffusion Policy、Flow Matching 与低延迟

1. 为什么离散 token 不够用

上篇说到，把连续动作量化成 token 自回归生成，会截断精度、轨迹抖动。机器人需要的是高频、平滑、对扰动敏感的连续控制——这正是扩散/流匹配擅长的。

2. Diffusion Policy：把动作当”图像”去去噪

Diffusion Policy（Chi et al., 2023）借用了图像生成的扩散思想：

• 训练时给动作序列加噪声，让网络学”从噪声恢复动作”；
• 推理时从随机噪声出发，多步去噪，得到一条多模态、鲁棒的动作轨迹。

好处是天然支持多峰分布（同一画面可以有多种合理动作），对示范数据里的噪声也更能扛。

3. Flow Matching：比扩散更快更稳

Flow Matching 不直接建模复杂的概率路径，而是学习概率流（probability flow）的映射——把简单分布直线”推”向目标动作分布。

• 训练目标更简单、梯度更稳；
• 推理采样步数远少于传统 DDPM（常需数十~数百步），可压到 5 步左右；
• π0、小米都把 Flow Matching 当动作专家的核心。

本站（推测解码手记）里讲过的”流匹配”在这里落地成了物理动作，不是文字 token——同一个数学工具，跨模态复用。

4. Action Chunking：一次预测一整段

高频决策每毫秒都出动作，既慢又抖。Action Chunking（源自 ACT / π0）让模型一次预测一小段动作块（chunk）：

• 降低决策频率，动作更连贯；
• 块内自回归/扩散生成，块间用历史动作做前缀衔接；
• π0 用 Flow Matching + 50Hz 动作块，是”平滑 + 高频”的解法。

5. 小米的打法：MoT 松耦合 + 异步推理压延迟

Xiaomi-Robotics-0（2026-02 开源，4.7B）是低延迟 VLA 的范本：

• MoT 架构：VLM”大脑”负责理解；16 层 **DiT（Diffusion Transformer）“小脑”**负责生成动作块。两者用 KV Cache 松耦合——大脑输出直接喂给小脑，避免重复计算。
• Flow Matching 训练：采样步数从 DDPM 的数十步压到 5 步。
• 异步推理：模型推理与机器人执行解耦——推理延迟不再卡住真机连续性，从机制上消灭”动作断层”。
• Clean Action Prefix + Λ 型注意力：用上一刻动作做输入保证时间连续；特殊注意力掩码让模型更盯当前视觉反馈，对环境突变反应敏捷。

结果：80ms 推理延迟、30Hz 控制频率、RTX 4090 实时，LIBERO / CALVIN / SimplerEnv 全基准 SOTA。

6. 承上启下

动作生成机制清楚了。下一篇看 π 系列如何用这套机制一步步进化：从 π0 的 Flow Matching 50Hz，到 π0.7 的记忆与组合泛化。