Fast-in-Slow：在慢速推理中统一快速操作的 Dual-System 基础模型
机器人学
2025-06-03 v1
摘要
通用策略与执行效率是机器人操作中的两大关键挑战。近期的基础策略受益于互联网规模预训练视觉语言模型 (VLMs) 的常识推理能力，但常受限于低执行频率。为缓解这一困境，受 Kahneman 理论启发，人们提出了 dual-system 方法，利用基于 VLM 的 System 2 模型处理高层推理，并利用独立的 System 1 动作模型确保实时控制。然而，现有设计将两个系统维持为独立模型，限制了 System 1 充分利用基于 VLM 的 System 2 中丰富的预训练知识。本文提出 Fast-in-Slow (FiS)，一种统一的 dual-system 视觉语言动作 (VLA) 模型，通过部分参数共享将 System 1 执行模块嵌入基于 VLM 的 System 2 中。这一创新范式不仅使 System 1 具备高频执行能力，还促进了 System 2 单一基础模型内推理与执行组件间的协调。鉴于其在 FiS-VLA 中具有根本不同的角色，我们设计了两个系统以结合异构模态输入与异步运行频率，从而实现快速且精确的操作。为实现两系统间的协调，提出了一种 dual-aware co-training 策略，在保留 System 2 上下文推理表示的同时，赋予 System 1 动作生成能力。在评估中，FiS-VLA 在仿真和真实世界任务中的平均成功率分别比先前 state-of-the-art 方法高出 8% 和 11%，同时在 action chunk 设为 8 时实现了 117.7 Hz 的控制频率。项目网页：fast-in-slow.github.io。
引用
@article{arxiv.2506.01953,
title = {Fast-in-Slow: A Dual-System Foundation Model Unifying Fast Manipulation within Slow Reasoning},
author = {Hao Chen and Jiaming Liu and Chenyang Gu and Zhuoyang Liu and Renrui Zhang and Xiaoqi Li and Xiao He and Yandong Guo and Chi-Wing Fu and Shanghang Zhang and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2506.01953},
year = {2025}
}