Denoising Tells When to Replan: Denoising-Variance Adaptive Chunking for Flow-Based Robot Policies

Authors: Xiangdong Feng¹³*, Yuxuan Cheng²³*, Chen Shi², Boyao Han⁴², Yuxuan Yan⁵³, Yitong Hong⁶³, Zhuotao Tian⁷³, Li Jiang²³†
Affiliations: ¹Beijing Institute of Technology, ²The Chinese University of Hong Kong, Shenzhen, ³Shenzhen Loop Area Institute, ⁴Hunan University, ⁵Xi’an Jiaotong University, ⁶Renmin University of China, ⁷Harbin Institute of Technology, Shenzhen, *Equal contribution, †Corresponding author
Links: <a href="https://arxiv.org/abs/2606.03847" target="_blank" rel="noopener noreferrer">arXiv
arXiv Submitted: 2026-06-02

2026-06-03 Korean VLA inference-time

last denoising step들에서 clean-action estimate들의 variance를 future action별 stability proxy로 사용해, 안정적인 action prefix만 실행하고 고분산 구간 전에 replan

dvac_overview Overview

기존 action chunking은 fixed execution horizon을 쓰기 때문에, free-space motion에서는 너무 자주 replan하고 contact/precision phase에서는 너무 긴 open-loop horizon로 실행할 수 있다.
DVAC는 denoising 과정의 마지막 $L$ steps에서 각 future action index $k$의 clean-action estimate variance $V_{s}(k)$를 계산하고, rolling statistics 기반 (adaptive) threshold $\tau_s=\mu_s+\alpha\sigma_s$를 넘어가기 전 prefix만 실행한다.
$\pi_{0.5}$ 기반 실험에서 LIBERO success를 94.8% → 98.0%로 올리고 replanning count를 32.6 → 18.6으로 줄였으며, RoboTwin, CALVIN, real-world tasks에서도 전반적인 이득을 보인다.

Comments