VLA Knows Its Limits

Title: VLA Knows Its Limits Authors: Haoxuan Wang et al. arXiv: https://arxiv.org/abs/2602.21445

arXiv 页面无稳定直链图片（HTML 侧未提供可长期复用的 figure URL）；Telegram 卡片图改用本地提取关键图。

Problem framing

文章聚焦一个常被忽略但影响极大的超参：execution horizon。作者发现性能随执行步长先升后降，揭示 VLA 推理误差与闭环反馈频率之间的结构性折中。

Core method

该方法围绕 Robotics/VLA 主线中的可扩展性与鲁棒性问题，采用“结构化中间表示 + 任务约束”的方案，而非纯参数堆叠。

Key equations and mechanisms

若每次预测动作块长度为 $H$，实际执行步长为 $E$，则误差可近似分解为 $ϵ(E)={ϵ}_{model}(E)+{ϵ}_{stale}(E)$ 前者随更长上下文下降，后者因反馈滞后上升，故存在最优 $E^{\ast }$。这为部署时的自适应步长调度提供了直接理论动机。

Experiment reading guide

1. 先看主任务成功率与长时地平线性能曲线。
2. 再看消融：去掉关键机制后的退化幅度。
3. 最后看跨场景/跨形态泛化，判断是否对真实机器人部署有意义。

Limitations

• 真实系统 latency、感知噪声、接触不确定性可能弱化离线收益。
• 数据分布若与目标场景差异过大，机制优势可能被 domain gap 吞噬。

Future work

• 与在线校准/测试时自适应结合，形成闭环部署范式。
• 与更强物理先验（接触、动力学约束）联合训练。

Replication angle

• 优先复现作者公开 benchmark 上的最小闭环。
• 记录可复现实验的三个关键旋钮：训练数据粒度、动作块长度/控制频率、推理时纠偏触发阈值。
• 评估指标建议补充“失败恢复时间”和“单次任务能耗”。

Graph: Paper Node 2602.21445