论文：HiPolicy，arXiv: 2604.06067。

这篇论文最吸引我的地方，是它把机器人动作输出拆成了“快动作”和“慢动作”：不是让模型永远用同一个频率生成动作，而是根据任务状态，自适应选择更合适的动作频率。

核心问题：为什么单一频率不够？

主流模仿学习方法，比如 DP、ACT、DP3，通常采用固定频率的动作分块。但机器人控制本身并不总是需要同一种时间尺度。

  • 低频动作块适合捕捉长时序依赖，比如任务阶段、目标位置、整体规划。
  • 高频动作块适合做细粒度闭环控制，比如对位、旋转、夹取时的实时调整。

如果只用低频，模型可能缺乏精细控制能力；如果只用高频，模型又容易只盯着局部动作，难以建模长时序任务依赖。

换句话说，单频动作输出并不符合人类真实运动控制逻辑。

一个直观例子：机械臂抓水杯

想象机械臂要抓取桌上的水杯，这个过程至少包含两个不同阶段：

  1. 从原点移动到水杯上方：这是目标明确的大段运动，轨迹相对确定，属于长周期阶段级动作，更适合低频输出。
  2. 对位、旋转、夹取水杯：这是强依赖实时反馈的精细控制，需要快速闭环响应，更适合高频输出。

所以问题就变成了：模型能不能一次理解多个频率的动作，并在执行时选择最合适的那一个？

HiPolicy 的做法

HiPolicy 的思路比较直接：一次前向推理同时输出多个频率的动作块，再通过熵引导机制，自适应选择最合适的频率执行。

以 3 个频率为例：5Hz、10Hz、15Hz。所有频率的观测和动作先对齐到同一个时间轴，然后通过分层特征融合实现信息协同。

在推理前，不同频率会采用不同的观测采样方式：

  • 5Hz：每 200ms 采样一次，例如 [o₁, o₃, o₅, o₇]。低采样密度适合捕捉任务阶段变化，服务于全局规划。
  • 10Hz：每 100ms 采样一次，例如 [o₁, o₂, o₃, o₄, o₅, o₆, o₇]。中等采样密度适合做常规动作调整。
  • 15Hz：每 66ms 采样一次，例如 [o₁, o₂, o₃, o₄, o₅, o₆, o₇, o₈, o₉, o₁₀]。高采样密度保留更多实时状态，服务于精细闭环控制。

对应地，模型会同步输出 3 个频率的动作块：

  • 5Hz 低频动作：编码阶段级任务意图。
  • 10Hz 中频动作：输出中等粒度的动作调整。
  • 15Hz 高频动作：输出高时间分辨率的精细动作。

如何决定执行哪个频率？

HiPolicy 使用动作分布的不确定性来做选择。具体来说，它会计算每个动作维度的均值和标准差：

μ_j = mean(a_j1, a_j2, ..., a_jN)
σ_j = std(a_j1, a_j2, ..., a_jN)

其中，μ_j 表示第 j 个动作维度的期望，σ_j 表示该维度的标准差。

标准差可以被看作一种不确定性估计：

  • 标准差大 → 熵值高 → 预测不确定性高。
  • 标准差小 → 熵值低 → 预测结果更稳定。

因此，模型可以根据熵值选择执行频率：

  • 熵值低：动作预测稳定，执行高频动作块，获得更精细的控制。
  • 熵值高：动作预测不确定，执行低频动作块，依靠长期规划保证稳定性。

我的理解

我很喜欢“快慢动作”这个切入点。它没有把机器人动作生成简单看成一个固定频率的序列预测问题，而是更接近真实运动控制：有时需要规划，有时需要微调。

如果 VLA 能更自然地建模这种多时间尺度动作，后续在推理速度、动作稳定性和复杂任务泛化上，应该都会有明显收益。