AsyncVLA An Asynchronous VLA for Fast and Robust Navigation on the Edge

Title: AsyncVLA An Asynchronous VLA for Fast and Robust Navigation on the Edge
Authors: Noriaki Hirose, Catherine Glossop, Dhruv Shah, Sergey Levine
arXiv: https://arxiv.org/abs/2602.13476

Problem framing

VLA 在真实导航里常被“语义强但控制慢”卡住：大模型推理时延导致闭环断裂，动态场景下安全性和成功率同步下降。本文核心问题是如何在不牺牲语义推理能力前提下，把控制频率拉回机器人可执行区间。

Core method

提出 AsyncVLA：

• 远端大模型异步输出高层语义引导；
• 机载轻量 Edge Adapter 以高频持续修正动作；
• 通过端到端微调 + 轨迹重加权，缩小“慢语义流”与“快执行流”之间分布偏差。

Key equations and mechanisms

机制可抽象为双时间尺度策略耦合：

$$a_t={\pi }_{\text{edge}}(o_t,g_{\tau }),g_{\tau }={\pi }_{\text{fm}}(o_{\tau -k:\tau },l)$$

其中 ${\pi }_{\text{fm}}$ 低频更新语义目标 $g_{\tau }$，${\pi }_{\text{edge}}$ 高频执行并补偿延迟；本质是把大模型能力“投影”为可实时控制先验。

Experiment reading guide

优先看三组结果：

• 通信延迟增大（到 6s）时成功率退化曲线；
• 与同步式 VLA/纯端侧策略的鲁棒性差距；
• 轨迹重加权是否主要提升动态障碍交互段而非静态段。

Limitations

• 依赖稳定链路与远端算力；
• 异步架构引入系统复杂度，部署调参成本较高；
• 任务主要是导航，向复杂接触操作迁移仍待验证。

Future work

可将该异步框架扩展到 VLA+世界模型联合推理，并加入不确定性估计以实现延迟自适应切换。

Replication angle

复现时先固定端侧控制频率，再扫描远端更新周期与延迟分布；重点评估“延迟分位数-成功率”关系，而不只看平均时延。

Figure links

• https://arxiv.org/fig/time_delay_v4.jpg
• https://arxiv.org/fig/vis_ped_v3.jpg

Graph: Paper Node 2602.13476