香港大学团队让机器人反应速度快10倍：FASTER技术破解VLA模型反应慢难题

这项由香港大学和ACE Robotics联合开展的研究发表于2026年的arXiv预印本，有兴趣深入了解的读者可以通过arXiv:2603.19199查询完整论文。

生活中我们经常能看到这样的场景：当你伸手接住朋友突然扔来的钥匙时，你的反应几乎是瞬间的。但如果换成机器人，它往往需要"思考"很久才能做出反应，到那时钥匙早就掉在地上了。这种反应迟缓的问题一直困扰着机器人研究者，特别是当他们试图让机器人在真实世界中执行复杂任务时。

近年来，一种叫做视觉-语言-动作模型（VLA）的技术让机器人变得更加智能。这种模型就像是给机器人装上了一套"大脑"，能够同时理解看到的画面、听懂人类的指令，并决定该做什么动作。但是有个问题：这套"大脑"虽然聪明，但反应速度实在太慢了。

研究团队发现，当前最先进的VLA模型在执行动作时就像是一个过分谨慎的新手司机。每当需要做出反应时，它都要完整地走完所有的"思考"步骤，即使是最简单的立即动作也要等上好久。这就好比你要拿起桌上的杯子喝水，但大脑非要先详细规划接下来一整天的行程才允许你伸手，这显然是不合理的。

为了解决这个问题，香港大学的研究团队提出了一个叫做FASTER的创新方法。FASTER的全称是"Fast Action Sampling for ImmediaTE Reaction"，翻译过来就是"即时反应的快速动作采样"。这个方法的核心思想非常巧妙：既然不同时间点的动作有着不同的紧急程度，那为什么要用同样的时间来"思考"所有动作呢？

一、重新理解机器人的反应时间

要理解FASTER的创新之处，我们首先需要明白什么是机器人的反应时间。当我们说一个人反应快时，通常是指从看到刺激到做出动作之间的时间很短。但对机器人来说，这个过程要复杂得多。

机器人接收到指令后，需要经历几个关键步骤：首先是"看懂"周围环境和接收指令，这部分工作由视觉-语言模型完成，就像人脑中负责理解的部分。然后是规划一系列动作，这个过程被称为"动作分块"，就像你准备泡茶时会在脑中规划："先拿茶杯，再烧水，然后放茶叶..."最后才是执行这些动作。

传统的VLA模型在处理这个过程时有个奇怪的习惯：它坚持要把所有动作都规划完毕后才开始执行第一个动作。这就好比你想要泡茶，但必须等脑子里把"拿茶杯、烧水、放茶叶、倒水、搅拌、品尝"这整个序列都详细规划完成后，才允许你的手伸向茶杯。

研究团队通过深入分析发现，机器人的反应时间实际上是一个随机变量，它遵循均匀分布。这意味着反应延迟不是固定的，而是在一个范围内随机分布的。具体的反应时间取决于两个关键因素：推理延迟和执行频率。推理延迟就是机器人"思考"需要的时间，而执行频率则决定了机器人多久更新一次自己的行动计划。

更重要的是，研究团队引入了一个新的评估指标：首次动作时间（TTFA）。这个指标专门测量从接收指令到机器人开始执行第一个动作之间的时间。就像在乒乓球比赛中，最重要的不是你能规划出多完美的回击策略，而是你能多快开始挥拍反应。

二、发现动作规划的不均匀特性

研究团队做了一个有趣的实验来研究机器人是如何生成不同时间点的动作的。他们发现了一个重要现象：近期动作和远期动作的生成难度是截然不同的。

这个发现可以用做菜来比喻。假设你正在准备一道复杂的菜肴，需要规划接下来10个步骤的操作。第一步"拿起菜刀"是非常确定和直接的，因为菜刀就在你面前，拿起它几乎不需要什么复杂思考。但第8步"根据肉的熟度调整火候"就需要更多的不确定性考虑，因为你现在还不知道到时候肉会是什么状态。

研究团队通过数学分析验证了这个直觉。他们使用了一个叫做"直线度"的指标来衡量动作生成的难易程度。结果显示，靠近当前时间的动作（比如接下来1-10帧）具有更高的直线度，这意味着它们更容易预测和生成。而较远时间的动作则表现出更多的曲折和不确定性。

另一个有趣的发现是，在动作生成的每一步迭代中，近期动作的"干净程度估计"与最终结果的偏差要小得多。这就像是在逐步描绘一幅画：画面的前景部分（对应近期动作）很快就能画得清晰准确，而背景部分（对应远期动作）需要反复修改才能达到满意的效果。

这些发现揭示了一个重要问题：既然近期动作这么容易生成，为什么还要强迫它们等待那些复杂的远期动作呢？这就像是让一个已经准备好出发的赛车手等待其他还在检查装备的车手，这种做法显然是不合理的。

三、FASTER的创新解决方案

基于对动作生成不均匀特性的深刻理解，研究团队设计了FASTER方法。这个方法的核心创新是"视野感知调度"（Horizon-Aware Schedule），它彻底改变了机器人生成动作的时间安排策略。

传统的VLA模型使用"一刀切"的时间调度方式，就像一个严格的老师要求所有学生，无论题目难易，都必须用完整的考试时间才能交卷。而FASTER则像一个聪明的考试安排者，允许那些简单题目的作答者提前交卷，把更多时间留给复杂题目。

具体来说，FASTER为动作序列中的每个动作分配了不同的"完成时间点"。第一个动作（最紧急的）被安排在几乎立即完成，而后续动作则根据其在时间序列中的位置被分配递增的完成时间。这种安排通过一个数学公式实现，该公式能够灵活调整不同动作之间的时间分配比例。

为了实现这种不均匀的时间分配，研究团队还设计了"混合调度策略"。在训练过程中，模型有时使用新的视野感知调度，有时使用传统的均匀调度。这就像是让学生既练习快速题目，也练习常规题目，确保在各种情况下都能良好应对。

更巧妙的是，FASTER还引入了"流式客户端-服务器接口"。传统方法要求完整动作序列生成完毕后才开始执行，而FASTER允许机器人一边生成后续动作，一边执行已经准备好的初始动作。这就像是一个餐厅，厨师不需要等所有菜都做好才开始上菜，而是每做好一道就立即端给客人。

四、突破性的性能提升

FASTER的效果确实令人印象深刻。在各种硬件平台上的测试表明，这种方法能够将首次动作时间大幅缩短。在高端的RTX 4090显卡上，使用π0.5模型时，首次动作时间从80毫秒缩短到62毫秒，实现了1.29倍的加速。对于X-VLA模型，加速效果更加显著，从113.7毫秒缩短到44.8毫秒，实现了2.54倍的提升。

在更具挑战性的消费级RTX 4060显卡上，FASTER的优势更加明显。π0.5模型的首次动作时间从303毫秒缩短到238毫秒，而X-VLA模型则从399毫秒大幅缩短到129毫秒，实现了超过3倍的加速。这种改进对于资源受限的应用场景具有重要意义。

研究团队还从概率角度分析了反应能力的提升。他们计算了FASTER相对于传统异步方法获得更快反应时间的概率。结果显示，在大多数情况下，FASTER都能够以显著的概率优势胜出。特别是在X-VLA模型上，FASTER实现了"确定性优势"，即其反应时间的上限都低于传统方法的下限。

除了纯粹的速度提升，FASTER还带来了执行频率的改善。通过提前完成关键动作的生成，系统能够采用更小的执行窗口，从而提高机器人响应环境变化的频率。这种改进在动态环境中尤其重要，就像是提高了机器人的"反射弧"灵敏度。

五、真实世界的验证实验

为了验证FASTER在实际应用中的效果，研究团队设计了一系列真实世界的机器人任务。其中最具挑战性的是乒乓球任务，这个任务需要机器人快速响应飞来的球并做出准确回击。

在乒乓球实验中，不同方法的差异一目了然。传统的同步推理方法完全无法应对快速飞来的球，机器人往往在球已经飞过很久后才开始动作，自然无法成功回击。朴素的异步方法和训练时实时控制方法虽然能够开始响应，但反应延迟仍然导致回击角度不当，球的回击力度和准确性都不理想。

而使用FASTER的机器人表现则截然不同。从实验录像中可以清楚看到，FASTER使能的机器人能够提前开始调整球拍角度，在球到达时已经做好了充分准备。这不仅提高了回击的成功率，还显著改善了回击的质量，球能够以足够的力度和准确的角度返回对方场地。

在RTX 4090平台上，FASTER在乒乓球任务中的成功率达到了0.80，而传统方法几乎完全失败。在更受限的RTX 4060平台上，这种优势更加明显，FASTER的成功率为0.47，而其他方法的成功率都在0.30以下。

研究团队还测试了两个对实时性要求相对较低的任务：饮料拾取和毛巾折叠。即使在这些任务中，FASTER仍然表现出了优势。饮料拾取任务的成功率从0.879提升到0.957，毛巾折叠任务从0.788提升到0.888。更重要的是，任务完成时间也有了显著缩短，这对于实际应用具有重要意义。

六、仿真环境下的稳定性验证

除了真实世界实验，研究团队还在两个广受认可的仿真基准测试中验证了FASTER的稳定性：LIBERO和CALVIN。

LIBERO基准测试包含四个不同的任务套件，分别测试机器人在空间理解、物体操作、目标导向和长期规划方面的能力。在这个基准测试中，FASTER基本保持了原始模型的性能水平。π0.5模型的平均成功率从94.2%略微下降到93.3%，而X-VLA模型则从96.8%提升到97.0%，表现甚至有所改善。

CALVIN基准测试更加注重长期任务规划能力，要求机器人连续完成多个相关任务。在ABC→D评估设置下，FASTER同样表现稳定。π0.5模型的平均链长从4.313略微下降到4.292，而X-VLA模型从4.151下降到4.058。这种轻微的性能下降在可接受范围内，特别是考虑到FASTER带来的巨大速度提升。

这些仿真实验的结果表明，虽然FASTER对动作生成过程进行了激进的优化，但它并没有牺牲模型的根本能力。这种平衡对于实际应用非常重要，因为它确保了在获得速度优势的同时不会影响任务完成的质量。

七、技术细节与实现智慧

FASTER的成功不仅在于其核心理念，还在于许多精心设计的技术细节。研究团队在实现过程中解决了多个实际挑战。

首先是混合调度策略的设计。直接将预训练的VLA模型切换到新的时间调度可能会造成性能下降，因为模型已经适应了原有的训练模式。为了解决这个问题，研究团队设计了渐进式的适应策略，让模型逐步习惯新的调度方式。

其次是与动作条件化技术的协同工作。许多现代VLA模型使用动作条件化来改善执行的连续性，FASTER巧妙地与这种技术结合，进一步提升了整体性能。这种结合就像是两个原本独立的优化策略找到了完美的合作方式。

流式接口的设计也充满智慧。传统的批量传输方式要求完整动作序列生成完毕后才开始传输，而FASTER的流式接口允许动作逐个传输。虽然这会增加网络通信的总次数，但由于机器人是顺序执行动作的，这种额外开销被执行过程巧妙地掩盖了。

研究团队还考虑了不同硬件平台的特殊需求。在高性能GPU上，系统可以使用更激进的优化策略；而在资源受限的消费级GPU上，则需要更加谨慎的参数设置。这种自适应的设计使得FASTER能够在各种实际部署场景中都能发挥良好效果。

八、方法的通用性与兼容性

FASTER最令人赞赏的特点之一是其出色的通用性。这种方法不需要对现有的VLA模型架构进行任何修改，也不需要额外的训练数据或计算资源。它就像是一个可以安装在不同品牌汽车上的通用性能提升装置，无论你使用的是哪种VLA模型，都能从中受益。

这种"即插即用"的特性对于实际应用具有巨大价值。研究人员和工程师不需要从头开始训练新的模型，只需要对现有模型进行简单的微调就能获得显著的性能提升。这大大降低了技术应用的门槛，使更多的团队能够享受到这种技术进步的红利。

研究团队在π0.5和X-VLA这两个不同架构的模型上都验证了FASTER的有效性，证明了这种方法的广泛适用性。无论是相对简单的π0.5还是更复杂的X-VLA，FASTER都能带来一致的改进效果，这种一致性表明该方法抓住了VLA模型的本质特性。

更重要的是，FASTER可以与其他VLA优化技术相互兼容。无论是模型压缩、量化加速还是硬件优化，FASTER都能与这些技术叠加使用，产生协同效应。这种兼容性使得FASTER不是一个孤立的解决方案，而是整个VLA优化生态系统中的重要组成部分。

九、对机器人技术发展的深远影响

FASTER的意义远超其技术细节本身，它代表了机器人技术发展中的一个重要转折点。长期以来，研究者们主要关注如何让机器人"做得更好"，而相对忽视了如何让机器人"反应更快"。FASTER的成功表明，在追求智能化的同时，实时性同样重要。

这种观念的转变将影响未来机器人技术的发展方向。我们可以预见，未来会有更多研究关注动态环境下的实时决策，而不仅仅是静态环境下的精确执行。这种变化对于机器人在真实世界中的广泛应用具有关键意义。

从应用前景来看，FASTER使得高质量的机器人技术能够部署在更广泛的硬件平台上。以往只能在昂贵的高端服务器上运行的VLA模型现在可能在消费级硬件上也能实现实时响应，这将大大扩展机器人技术的应用范围。

对于工业应用而言，FASTER的意义同样重大。在制造业、服务业和物流等领域，机器人的反应速度往往直接影响生产效率和安全性。FASTER提供的性能提升可能会催生新的应用场景和商业模式。

十、未来发展的可能方向

虽然FASTER已经取得了显著成果，但这项技术仍有很大的发展空间。研究团队在论文中也坦诚地讨论了当前方法的局限性和未来的改进方向。

首先是在极短执行窗口下的性能优化。当机器人需要在非常短的时间内做出反应时，FASTER的优势可能会有所减弱。这是因为在这种极端情况下，即使是第一个动作的生成时间也可能成为瓶颈。未来的研究可能需要探索更加激进的优化策略。

其次是与其他加速技术的更深度集成。虽然FASTER已经具备良好的兼容性，但如何与模型压缩、知识蒸馏等技术进行更有机的结合仍有探索空间。这种集成可能会带来1+1>2的效果。

长期来看，FASTER开创的这种"差异化处理"思路可能会启发更多创新。例如，是否可以根据动作的复杂程度、重要性或者不确定性来进行更加精细的资源分配？这些问题的答案可能会推动整个领域向前发展。

此外，随着硬件技术的不断进步，特别是专用AI芯片的发展，FASTER的实现方式也可能需要相应调整以充分利用新硬件的特性。这种硬件-软件的协同优化将是未来的一个重要趋势。

说到底，FASTER不仅仅是一个技术改进，它更像是为机器人技术发展提供了一个新的思考角度。它提醒我们，在追求智能化的道路上，不能忽视实时性这个同样重要的维度。就像人类的成功不仅需要聪明的大脑，还需要敏捷的反应一样，未来的机器人也需要在智能和敏捷之间找到完美的平衡。

通过FASTER这样的创新，我们离真正实用的智能机器人又近了一步。也许在不久的将来，我们就能看到反应敏捷、动作流畅的机器人伙伴在我们的生活和工作中发挥重要作用。这不仅是技术的进步，更是人类智慧的结晶，值得我们为之期待。

Q&A

Q1：FASTER技术的核心原理是什么？

A：FASTER的核心原理是"视野感知调度"，它改变了传统VLA模型对所有动作使用相同生成时间的做法。就像做菜时简单的"拿菜刀"动作不需要复杂思考，而"调整火候"需要更多考虑一样，FASTER让机器人对紧急的近期动作用更少时间生成，对复杂的远期动作分配更多时间，从而实现首个动作的快速响应。

Q2：使用FASTER后机器人的反应速度能提升多少？

A：根据实验结果，FASTER能将机器人的首次动作时间大幅缩短。在高端RTX 4090显卡上，π0.5模型从80毫秒缩短到62毫秒，X-VLA模型从113.7毫秒缩短到44.8毫秒，实现2.54倍提升。在消费级RTX 4060上效果更显著，X-VLA模型从399毫秒缩短到129毫秒，超过3倍加速，让机器人能够应对乒乓球这样的动态任务。

Q3：FASTER技术是否会影响机器人动作的准确性？

A：FASTER在大幅提升速度的同时基本保持了原有的准确性。在LIBERO和CALVIN等标准测试中，使用FASTER后的性能只有轻微下降，完全在可接受范围内。在真实机器人任务中，FASTER甚至提升了整体表现，因为更快的反应时间让机器人能更好地应对动态环境，就像人类反应越快越容易成功接球一样。