Fast ECoT：通过思维重用实现高效具身链路思考
机器人学
2025-09-23 v2
摘要
具身链路思考（ECoT）通过引入中间推理步骤来提升视觉语言动作（VLA）模型的性能和可解释性，但其顺序自回归token生成引入显著推理延迟，限制了实时部署。我们提出Fast ECoT，一种推理时加速方法，利用ECoT的结构化和重复性质：（1）缓存并复用跨时间步的高层推理，（2）并行化模块化推理步骤的生成。此外，我们引入异步调度器，进一步提高响应速度。Fast ECoT无需模型修改或额外训练，即可轻松集成到现有VLA管道中。在仿真（LIBERO）和真实世界机器人任务中进行的实验表明，Fast ECoT可实现最高7.5%的延迟降低，同时保持或提高任务成功率和推理忠实度，使ECoT策略更接近实际实时部署。
引用
@article{arxiv.2506.07639,
title = {Fast ECoT: Efficient Embodied Chain-of-Thought via Thoughts Reuse},
author = {Zhekai Duan and Yuan Zhang and Shikai Geng and Gaowen Liu and Joschka Boedecker and Chris Xiaoxuan Lu},
journal= {arXiv preprint arXiv:2506.07639},
year = {2025}
}