北大与微软亚研提出 BCP，让模型自己决定何时重规划

在 action chunking 已成为 VLA 标配的今天，「一次执行多少步」几乎被所有工作当作一个固定的超参数。北京大学与微软亚洲研究院的一项新工作指出：这个默认设定本身就是一个重要的失败原因 —— 它让重规划变成了与任务进度无关的周期性调度，当没有任何一次重规划恰好落在关键操作阶段之前时，机器人只能带着一个已经过时的 chunk 进入关键操作环节。

研究团队提出了Bernoulli-Continuation Policy（BCP）： 冻结基座 VLA，仅训练一个 16.4M 参数的轻量级 head，把「执行多久」分解为一系列「继续执行还是重新规划」的伯努利决策，并通过 GRPO 从轨迹级结果中进行优化。在 RoboTwin 2.0 全部 50 个任务上，LingBot-VLA 的平均成功率从 89.88% 提升至 93.94%，在 VLA 方法中取得 SOTA；真机挂马克杯任务的成功率则从从 44% 提升至 84%。

• 论文标题：Continue or Replan? Bernoulli-Continuation Policy Learning for Adaptive Horizon Execution
• arXiv：2608.03483
• 项目主页：https://fleetfootwork.github.io/BCP/

一、研究背景：被当成工程细节的决策维度

Action chunking 让 VLA 一次预测未来一段动作序列，而不是逐步预测单个动作，既降低了模型推理的频率，也改善了动作的时序一致性。在 chunk-based VLA 中有两个 horizon：prediction horizon决定模型一次生成多少步动作，execution horizon则决定这些动作中有多少步会被真正执行，执行完机器人再重新观测并规划。

OpenVLA、π_0.5、LingBot-VLA 等主流工作都采用固定的 execution horizon。这在自由空间中的粗粒度运动阶段问题不大——长序列往往更加平滑、稳定；但到了接触、对齐、夹爪闭合这类对精度敏感的阶段，微小的位姿误差就可能迅速累积，机器人必须在进入这些阶段之前重新观测。而固定的重规划节奏无法保证这一点。

为了量化这一现象，研究团队设计了一个phase-shift 实验：所有变体都使用完全相同的 50 步 horizon，唯一的区别在于第一个 chunk 只执行 φ 步就重新规划，此后仍然每 50 步规划一次。换句话说，模型和 horizon 都完全相同，只有重规划边界的落点不同。RoboTwin 2.0 的 50 个任务上的结果如下所示：

最高和最低之间相差 11.3 个百分点，需要注意的是，这里 Upper / Lower Bound 都是 hindsight oracle，在真实部署时不可能提前知道。但这个结果说明了一件很关键的事：replanning timing 本身就是一个很强的决策变量。

在 Placing Dual Shoes 任务上，这种差异表现得非常直观：当 φ=32 时，机器人执行了一个已经过时的夹爪闭合动作，最终导致任务失败；而当 φ=23 时，恰好有一次重规划落在关键操作阶段之前，机器人获得了新得观测，因此能够准确完成抓取动作并成功执行任务。同一任务上，最佳相位的成功率为 92%，而最差相位只有 80%。

图 1 同一模型、同一 50 步 horizon，仅改变重规划边界的落点：φ=32 时夹爪闭合幅度过时导致失败，φ=23 时边界恰落在操作阶段前而成功。成功率随相位在 0.80–0.92 间剧烈波动。

更重要的是，最优相位不存在可复用的规律。论文统计了 50 个任务各自的最佳 φ，并做卡方拟合优度检验：χ² = 5.00，p = 0.287，无法拒绝均匀分布的原假设。关键时刻在不同任务、不同阶段出现在不同时间，因此不存在一个固定相位能对齐所有精度敏感阶段。

由此论文提出了核心问题：给定一个已预测的 action chunk，机器人应该执行多久再停下来重规划？

二、方法：三个挑战与三个设计

学习这样一个策略并不容易，论文明确列出三个挑战，并逐条给出对应设计。

图 2 BCP 框架。冻结的 VLA 预测定长 action chunk，Bernoulli-Continuation Head 复用其表征输出一串「继续概率」，据此选定执行 horizon；整体用 GRPO + Replanning-Efficiency Reward 优化。

2.1 候选 horizon 具有前缀共享结构

执行 40 步与执行 50 步时，前 40 个动作完全相同，两者的区别只在于第 40 步之后是否继续执行。标准 softmax 分类器却会把不同候选 horizon 看成彼此独立、无序的类别，从而完全忽略这种天然的前缀共享结构。

Bernoulli-Continuation Head的做法是：输出 M−1 个 logit，经 sigmoid 得到「继续概率」

这种因子分解与 chunk 执行天然具有的嵌套结构高度一致：只有当前 chunk 被连续判断为可信，策略才会逐步走向更长的 horizon；与此同时，相邻 horizon 也天然具有更接近的概率——这正是传统分类策略所缺失的序数归纳偏置。

2.2 per-chunk 监督不可辨识

每一次 horizon 决策都会与后续 chunk 以及之后的决策相互耦合。同一个最终结果可能由多种不同的 horizon 序列产生，因此并不存在唯一的 ground-truth 停止标签。基于这一点，研究团队放弃了监督学习，使用 GRPO 从轨迹级结果中进行优化。

2.3 纯成功率奖励会导致 horizon 塌缩

短 horizon 天然更加保守。如果只使用二值成功率作为奖励，策略很容易退化成频繁重规划，从而浪费昂贵的 VLA 调用。为此，论文设计了Replanning-Efficiency Reward（RER）。

首先定义相对效率项，其中 C 表示 VLA 的调用次数，tanh 用于限制数值范围：

• 失败轨迹奖励归零，与效率无关，因此策略无法通过「又短又失败」套利，任务成功始终占主导；

• 改善了 group-based 优化。只有二值成功奖励时，如果一个 group 中的轨迹全部成功或全部失败，就无法产生有效梯度；加入效率项后，可以根据 VLA 调用量进一步区分成功轨迹，使全成功 group 依然能够产生非零 advantage。参考轨迹的锚定还保证了当「固定策略成功、自适应策略失败」时，仍然可以得到明确的负向学习信号。只有参考轨迹和全部自适应轨迹都失败的 group 才会被丢弃，从而显著缓解稀疏任务奖励带来的梯度稀疏问题。

三、实验结果

3.1 RoboTwin 2.0：VLA 方法中的 SOTA

以 LingBot-VLA 为底座，在原始成功率低于 90% 的13 个低成功率任务上：

• Clean：75.15% → 86.23%（+11.08%）
• Randomized：73.54% → 83.46%（+9.92%）

全部50 个任务：

• Clean：89.88% → 93.94%（+4.06%）
• Randomized：88.78% → 92.84%（+4.06%）

这一结果在所有对比的 VLA 方法中取得 SOTA，也接近了 WAM 的最佳结果。单任务上提升最显著的是 Hanging Mug：41% → 87%（Randomized 下 36% → 62%）；其余如 Blocks Ranking Size（70% → 88%）、Turn Switch（60% → 72%）、Click Alarm Clock（80% → 91%）、Place Object Scale（80% → 91%）均为包含精度敏感抓取、放置或交互阶段的任务。

尤其需要注意的是，BCP 仅在 Clean 设定下训练，直接迁移到 Randomized 设定仍有 +4.06% 的一致增益，说明学到的并不是特定视觉条件下的过拟合，而更接近于「什么时候可以继续信任当前 chunk，什么时候必须重新规划」这类与任务阶段相关的知识。

这种提升在不同底座模型上同样成立：在 ABot-M0 上， 13 任务提升+10.69%（Clean）和+11.77%（Randomized）；在 ACT 上则提升 +5.38%。

图 3 RoboTwin 2.0 定性对比。BCP 在关键操作阶段前主动缩短 horizon（40 步 / 20 步）刷新观测，避免带着过时 chunk 执行。

3.2 LIBERO / LIBERO-PRO：任务越难，优势越大

在更强调泛化能力的 LIBERO-PRO 上，BCP 带来了 +6.8% 的提升，相比 AAC 高出 2.9 个百分点，并且在扰动幅度最大的 ×0.4 设定下优势最明显（16.8% vs 11.8%）。

3.3 更多重规划，却更低的总运行时间

Continuation head 每次推理仅带来2.03 ms的额外开销。虽然VLA 的调用次数略有增加，但由于动作执行更加准确、无效运动减少，总执行步数由 269 步下降至 248 步。在 50 Hz 控制频率下综合计算后，整体运行时间反而更低。

在与 8 种执行策略（Random、Fixed 20/30/40、Action Trigger、Uncertainty Proxy、AAC、AutoHorizon）的 SR–runtime 权衡对比中，BCP同时取得最高成功率与最低运行时间。Fixed 20 甚至没有超越 full-chunk 基线，说明更短的 horizon 并不天然更优；而 Uncertainty Proxy 与 AAC 因为需要采样多个 chunk 来估计不确定性或熵，运行时间明显更高。

图 4 50 个任务上的成功率–运行时间权衡。BCP（红星）同时位于最高成功率与最低运行时间处；Uncertainty Proxy 与 AAC 因需采样多个 chunk 而运行时间显著更高。

3.4 消融：三个组件逐一验证

通过消融实验可以得到三个非常清晰的结论：

其一，仅训练一个 16.4M 参数的轻量级 head，就能够基本追平微调 442.8M 参数 action expert 的效果（78% vs 79%），两者参数量相差约 27 倍。这直接支持了论文的核心判断——这一类失败很大程度上来自重规划时机的错配，而不一定是基座 VLA 动作生成能力不足。

其二，将 softmax 替换为 Bernoulli-Continuation Head 后，成功率进一步提升 +5%（78% → 83%），验证了显式建模 horizon 的序数关系和前缀共享结构的价值。

其三，加入 RER 后又带来了 +4%（83% → 87%）的提升，同时将 VLA 调用次数从 13.825 降至 10.158，运行时间从 21.55 s 降至 18.17 s。可以看到，在没有 RER 时，BC Head 确实存在向短 horizon 塌缩的保守倾向，对应的 VLA 调用次数也是最高的。

超参数实验还表明，候选 horizon 的粒度同样非常重要：将候选集合从 {15, 20, 25, …, 50} 换成更粗粒度的 {20, 30, 40, 50} 后，成功率从 87% 降至 78%——过于粗糙的候选集合会迫使策略在关键阶段停得过早或过晚。Transformer 深度方面，2 层效果最佳（1 层 82%，4 层 84%，6 层 83%）。

3.5 真机：AGIBOT G1

在 AGIBOT G1 真机上，研究团队以 LingBot-VLA 为基座，每个任务采集 250 条任务特定的遥操轨迹，并与 2000 条通用抓取轨迹联合训练 SFT 策略；随后仅用128 条真实轨迹训练 BCP，基座 VLA 始终保持冻结。在评测时，每个任务在相同的 50 个 seed 上分别进行三次实验：

• Grasping Bottle（瓶身光滑，抓取位姿容错低）：74% →92%
• Hanging Mug（杯柄与挂钩相对位置误差须 < 2 cm）：44% →84%，同期 AAC 为 48%

从执行序列可见，BCP 在接近与操作阶段主动缩短 horizon，在抓取与悬挂动作前刷新观测，从而生成更精确的动作。

图 5 真机 AGIBOT G1。抓瓶子 74% → 92%，挂马克杯 44% → 84%。

四、总结与局限

这项工作的价值并不只是成功率提升了几个百分点，更重要的是，它指出了一个长期以来被当成工程细节的问题：execution horizon 本身就是一个重要、而且可以用很低成本进行优化的决策维度。

当大量工作都在关注「如何把动作生成得更准确」时，这篇论文表明，相当一部分失败其实来自「机器人在错误的时机闭着眼睛继续执行」——而修复这一问题，只需要一个 16.4M 参数的轻量级 head。由于基座 VLA 全程冻结、即插即用，并且单次前向即可得到结果，BCP 对已经部署的 chunk-based VLA 系统具有很直接的迁移价值。

论文也明确指出了方法的边界：BCP 只负责决定什么时候停止执行当前 chunk 并重新规划，并不会修改 VLA 本身生成的动作。它的有效性依赖于基座 VLA 能够生成基本合理、可执行的 action chunk；如果预测出的动作本身就是错误的，那么仅仅调整 execution horizon 或重规划时机，依然不足以纠正整条轨迹。

作者简介

作者团队来自北京大学和微软亚洲研究院，共同一作 Weichen Xu 为北京大学在读博士生，目前在 MSRA 实习，共同一作 Zhenhua Liu 为 MSRA 高级研究员，通讯作者 Jiaolong Yang 担任 MSRA 资深研究员主管，研究方向是3D视觉和具身智能。