离散扩散 VLA：将离散扩散引入视觉-语言-动作策略中的动作解码

视觉-语言-动作（VLA）模型将大型视觉-语言骨干模型适配到将图像和指令映射到机器人动作。然而，流行的 VLA 解码器要么以固定的从左到右顺序自回归地生成动作，要么将连续的扩散或流匹配头附加到骨干模型之外，这需要专门的训练和迭代采样，阻碍了统一、可扩展的架构。我们提出了离散扩散 VLA，一个单一的 Transformer 策略，它使用离散扩散对离散化动作块进行建模，并与 VLM 骨干模型使用相同的交叉熵目标进行训练。该设计保留了扩散的渐进式精炼范式，同时与 VLM 的离散令牌接口保持原生兼容。我们的方法实现了一种自适应解码顺序，该顺序在执行更难的动作元素之前解决更简单的动作元素，并使用次要重掩蔽来在精炼轮次中重新访问不确定的预测，从而提高一致性并实现鲁棒的错误校正。这个统一的解码器保留了预训练的视觉语言先验，支持并行解码，打破了自回归瓶颈，并减少了函数评估次数。离散扩散 VLA 在 LIBERO 上实现了 96.3% 的平均 SR，在 SimplerEnv Fractal 上实现了 71.2% 的视觉匹配，在 SimplerEnv Bridge 上实现了 49.3% 的总体性能，优于自回归和连续扩散基线。这些发现表明，离散扩散动作解码器支持精确的动作建模和一致的训练，为将 VLA 扩展到更大的模型和数据集奠定了基础。