现有的视觉-语言-动作（VLA）模型从训练数据中继承了单一的固定执行速度。我们提出 TempoVLA，一种单一的速度可控 VLA 框架，结合了数据端的可变速度轨迹增强（VSTA）和轻量级模型端的条件机制，两者均轻量且适用于现有 VLA。仿真和真实世界实验表明，TempoVLA 提供了灵活的双向速度控制能力，改善了默认基线的性能，并实现了与外部 VLM 的动态速度控制。
引言与动机
基于离线机器人演示数据训练的视觉-语言-动作模型从数据分布中学习单一的固定执行速度。一旦部署，这些策略无论任务阶段或环境条件如何，都以相同的速度执行动作，限制了其灵活性和鲁棒性。TempoVLA 通过将速度可控性直接引入 VLA 框架来解决这一限制，使机器人能够在部署过程中根据指令改变执行速度。
TempoVLA 框架
TempoVLA 的核心见解是速度控制应在两个层面运作：增强训练数据以包含可变速度轨迹，并根据期望的速度命令调节策略输出。可变速度轨迹增强（VSTA）组件通过累积和分割末端执行器动作，以多种速度重新计时现有演示数据。模型端条件机制接收一个标量速度因子作为输入，并相应地调节策略的动作预测。
为何在末端执行器空间进行速度增强
对于操作任务，任务成功取决于末端执行器与被操作物体之间的相对位姿。在末端执行器空间而非关节空间重新计时演示，能更忠实地保留任务语义。三个结构原因解释了这种偏好：
- 单个关节的几何放大：由于杠杆臂效应，近端关节的微小重新计时误差会在末端执行器处被几何放大。
- 运动链的非线性耦合：正向运动学将关节角度非线性映射为末端执行器位姿，因此线性插值的关节增量会产生非线性的末端执行器运动。
- 控制器可实现性：末端执行器空间重新计时允许底层控制器使用逆运动学在新的速度下找到动态可行的关节轨迹。
虽然 VSTA 仍可直接应用于仅暴露关节命令的平台，但末端执行器动作能产生更好的任务相关性能。
故障模式分析
对定性故障案例的分析揭示了 TempoVLA 的可用速度范围。在低速命令下，机器人可能表现出停滞的进展——每个动作贡献的有效任务进展太少，将策略困在阶段边界附近，无法过渡到下一操作阶段。低速执行仅当减少的动作幅度仍保留足够的进展以完成必要的阶段转换时才有益。
在高速命令下，末端执行器可能过冲目标区域，在策略能够纠正之前超出有效交互窗口。这在接触丰富的阶段尤其有害，因为成功的交互依赖于狭窄的空间和时间公差。一旦夹爪移过物体或将其扰动到分布外状态，剩余的轨迹可能无法恢复。
速度选择的含义
不应为整个轨迹分配一个极端固定速度来使用 TempoVLA。相反，应根据当前操作阶段选择速度：在低风险的自由空间运动中更快，在需要精确交互的接触密集阶段更慢。这一观察与动态速度调度结果一致，其中阶段感知的速度选择优于固定速度执行。
与控制器端方法的关系
控制器端方法——在策略产生输出后缩放目标速度或延长步周期——位于策略下游。这些方法只能重新缩放或重新计时策略已经预测的输出，而可变速度训练在策略层面改变了这些预测的内容。这两种方法是正交的，可以直接组合：TempoVLA 策略仍然可以与任何控制器端调制配合使用，当需要更精细的执行端调整时。
局限性与未来工作
在高速范围的上限，实际速度提升逐渐饱和，因为策略的每步目标超过了固定底层控制器的跟踪带宽。将控制器与 TempoVLA 共同调整是未来工作的自然延伸。
常见问题
TempoVLA 与策略产生动作后简单地缩放速度命令有何不同？ TempoVLA 在训练期间作用于策略层面，改变动作预测本身的内容。控制器端速度缩放作用于下游，只能缩放策略已经生成的输出，因此两种方法是互补的。
为什么 TempoVLA 在末端执行器空间而非关节空间增强轨迹？ 末端执行器空间直接保留了任务相关量，如夹爪与物体之间的相对位姿，避免了近端关节的几何放大，并允许底层控制器动态解析新速度下可行的关节轨迹。
如果为整个轨迹指定一个极端固定速度会发生什么？ 慢速固定速度可能导致进展停滞，每个动作贡献的任务推进太少；而快速固定速度会导致过冲失败，夹爪移过物体。应根据操作阶段调整速度。
TempoVLA 能否与现有的视觉-语言-动作模型结合？ 可以，VSTA 数据增强和模型端条件机制设计为轻量级模块，适用于现有 VLA 框架，无需架构重构。