浅谈具身智能中的 Action Chunking
Published:
浅谈具身智能中的 Action Chunking
从“为什么要一次预测多个动作”，到“应该预测多长”，再到“到底执行多长”。
如今几乎所有的vla都采取action chunk的推理和控制,但是其实这一直是个玄学，如果只从经典闭环控制的直觉出发，Action Chunking 其实是一件有些反常识的事。
机器人在时刻 $t$ 得到观测 $o_t$，最自然的做法似乎应该是预测一个动作 $a_t$，执行之后立刻得到新的观测 $o_{t+1}$，再预测 $a_{t+1}$。也就是说，策略始终工作在最高反馈频率下：
\[o_t \rightarrow a_t \rightarrow o_{t+1} \rightarrow a_{t+1}\rightarrow\cdots\]既然每一个时间步都可以重新观察、重新计算，为什么现代机器人学习系统反而越来越喜欢一次预测几十步动作？
从 ACT、Diffusion Policy 到今天大量连续控制 VLA，常见的接口已经变成：
\[\pi(o_t,\ell)\rightarrow \mathbf A_t=(a_t,a_{t+1},\ldots,a_{t+H-1}),\]即策略不是给出“下一步该怎么动”，而是直接给出一小段未来轨迹，也就是 Action Chunk。
Action Chunking 的优势长期以来主要来自经验：它往往让行为克隆更稳定，让扩散或 flow-based policy 更容易得到连贯动作，也常常能显著提高长程操作任务的成功率。但“为什么一口气预测一段动作会比一步一步预测更好”，直到最近仍缺乏令人满意的解释。
本文围绕三篇工作展开：
- Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control?
- Mixture of Horizons in Action Chunking
- PACE: Phase-Aware Chunk Execution for Robot Policies with Action Chunking
我更愿意把它们看成对同一个问题的三层追问：
\[\boxed{\text{Why chunk?}} \rightarrow \boxed{\text{How long to predict?}} \rightarrow \boxed{\text{How long to execute?}}\]第一篇试图解释 Action Chunking 为什么有效；第二篇进一步追问 chunk 的时间跨度应该是多少；第三篇则指出，一个经常被混淆的问题是：预测多长和执行多长，其实根本不是一回事。
1. 从 Single-step Policy 到 Action Chunk
一个最普通的单步策略可以写成：
\[\pi_\theta(a_t\mid o_t,\ell),\]其中 $o_t$ 是当前视觉、本体感知等观测，$\ell$ 是语言指令，策略只负责预测当前动作 $a_t$。Action Chunking 则把输出改成一段动作：
\[\pi_\theta(\mathbf A_t\mid o_t,\ell),\qquad \mathbf A_t=(a_t,a_{t+1},\ldots,a_{t+H_p-1}).\]我们规定记号
\[H_p=\text{Prediction Horizon},\]表示模型一次预测多远
\[H_e=\text{Execution Horizon},\]表示机器人在重新获取观测、重新调用策略之前，实际执行这个 chunk 的多少步。大部份工作和业界基本上在$\pi$ 上都采取
\[H_p=50,\qquad H_e=10.\]执行前 10 步之后，剩下的 40 步全部丢弃，机器人重新观察环境，再生成一个新的 50-step chunk：
\[o_t \overset{\pi}{\longrightarrow} a_{t:t+49} \overset{\text{execute 10}}{\longrightarrow} o_{t+10} \overset{\pi}{\longrightarrow} a'_{t+10:t+59}.\]这其实已经非常接近经典的 Receding Horizon Control（滚动时域控制）:每次规划一段未来，但只执行其中一个前缀，然后利用新的反馈不断重规划。
2. 第一个问题：既然每一步都能重规划，为什么还需要 Action Chunk？
Action Chunking 最早给人的解释通常非常直观。
第一种解释是 temporal consistency：机器人动作具有很强的时间相关性，把连续动作一起预测，自然比独立预测每一步更平滑。
第二种解释是 horizon reduction：如果一次生成并执行 $k$ 步动作，那么一个长度为 $T$ 的任务只需要大约 $T/k$ 次策略决策，行为克隆的 compounding error 因而减轻。
第三种解释是 representation learning：预测未来多个动作本身就是更丰富的监督信号，迫使视觉或状态表示编码更多与运动相关的信息。
2026 年的 Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control? 做了一件非常值得注意的事情：作者没有再提出一种新的 chunk 架构，而是反过来把 Action Chunking 拆开，问——到底是哪一部分真正产生了收益？
*图 1：论文对 Action Chunking 的机制分解。传统的 temporal consistency、horizon reduction 和 representation learning 并不足以完整解释性能提升；作者最终将主要收益归因于 non-Markovian expressivity、reduced compounding error 和 implicit ensembling。
具体的action chunk的归因如下
1. Action Chunk 首先获得了更强的非马尔可夫表达能力
单步策略学习的是：
\[a_t\mid o_t.\]它隐含了一个很强的假设：当前观测 $o_t$ 足以确定当前动作。但真实机器人示范并不总是满足这个假设。例如机械臂到达抽屉把手附近之后，人类操作者可能会有一个很短的停顿，再进入拉动阶段。视觉上，停顿前后的状态几乎没有变化，但“此刻继续等待”还是“开始拉动”却依赖于前面的运动历史。类似的现象在 grasp、contact、release、phase transition 处非常常见。也就是说，专家行为可能具有明显的 non-Markovian structure。
Action Chunking 在训练时并不仅仅学习
\[a_t\mid o_t,\]同一个动作 $a_t$ 还会作为过去不同观测所对应 chunk 的未来元素出现：
\[a_t\mid o_{t-1},\quad a_t\mid o_{t-2},\quad \ldots\]所以从另一个角度看，一个长度为 $k$ 的 chunk policy 同时学习了多种“观测延迟—动作”的时间关系。这也是论文为什么引入 delayed policy：
\[a_t\sim\pi_{\text{delay}}^d(a_t\mid o_{t-d}).\]一个很反直觉的结果是，在 LIBERO-90 上，单纯使用过去观测预测当前动作的 Delay policy 就已经能够获得很强的性能：
| 方法 | LIBERO-90 Success Rate |
|---|---|
| Markovian / Single-step | 68.9% |
| Action Chunking | 89.2% |
| Delayed Policy | 94.0% |
| Randomized Delay Ensemble | 93.6% |
这意味着，Action Chunking 的一部分优势并不来自“连续动作一定要一起执行”，而来自它可以利用过去更稳定、更接近专家分布的观测来预测未来动作。
2.它降低了 Compounding Error，但原因不只是“少决策几次”
行为克隆最经典的问题之一就是 distribution shift。
训练时模型看到的状态来自专家：
\[o_t\sim d_{\text{expert}},\]部署时却来自自己的历史动作：
\[o_t\sim d_{\pi}.\]早期一个很小的动作误差会改变之后的状态，之后的状态又不在训练分布里，于是误差继续放大。过去常见的说法是：Action Chunking 一次执行多步，所以决策次数减少，等效 horizon 变短，从而减少 compounding error。
但是其实没有这么简单。Delayed policy 即使仍然每一步都重新产生一个动作，也可以获得和 Action Chunking 类似的 compounding-error 改善。原因是它在时刻 $t$ 使用的是更早的 $o_{t-d}$。更早的观测受到 policy 自身累积误差的污染更少，因此往往更接近训练数据分布。换句话说，真正有意义的不只是少做几次决策而是当前动作可以由更早,更 in-distribution 的信息预测. 这也是为什么“只执行 chunk 的前几步”依然可能比纯 single-step policy 更好：模型训练时已经学习了更加丰富的跨时间预测关系。
3.这篇论文 最有意思的解释：Action Chunking 是一种隐式集成
如果只靠 delayed policy 就能解释一切，那么 Action Chunking 本身似乎也没那么神秘。但作者在 Robomimic 上发现，单一 delay 并不能始终追上 chunk policy。例如 Tool Hang 上，Delay 只有 51.6%，而 Action Chunking 达到 75.2%。
差距来自哪里？作者给出的解释是 implicit ensembling。
一个长度为 $k$ 的 Action Chunking policy，会同时学习：
\[a_t\mid o_t,\; a_t\mid o_{t-1},\; a_t\mid o_{t-2},\ldots, a_t\mid o_{t-k+1}.\]可以把它理解成一组共享参数、拥有不同 temporal delay 的预测器：
\[\{\pi_0,\pi_1,\ldots,\pi_{k-1}\}.\]它们使用的时间上下文并不完全相同，因此错误也不完全相关。把这些预测关系放在同一个网络中学习，相当于天然形成了一种 temporal ensemble。论文进一步构造 Randomized Delay Ensemble：每一步随机选择一个 delay 关系来产生单步动作。结果显示，即使不真正执行 Action Chunk，也能在很多环境里复现其性能优势。显式 ensemble 甚至还能进一步超过普通 Action Chunking。例如 Robomimic Transport 上：
\[12.6\%\rightarrow41.5\%.\]这说明 Action Chunking 的价值并不能简单概括成“让轨迹更平滑”。它其实改变了学习问题本身：同一个动作被放进了多个不同的时序预测关系中。
那么到 VLA 上，这个现象还成立吗？
这点很关键，因为上述机制如果只在小型 diffusion policy 上成立，对今天的 VLA 意义有限。论文专门在 $\pi_{0.5}$ 的 LIBERO 微调模型上做了验证。以 LIBERO-10 为例：
\[\text{Markovian}=84.0\%,\qquad \text{AC(10)}=93.8\%,\]而 randomized-delay deployment 同样达到：
\[93.8\%.\]在 Spatial、Goal、Object 等套件上也观察到了类似兼容性。
真机结果同样支持 delayed relation 和 randomized ensemble 的解释。
图 2：真机任务中的 Action Chunking、Delay 与随机延迟集成结果。核心现象是：Action Chunking 的不少优势可以在“不执行完整动作块”的情况下通过不同 temporal relation 复现。
我觉得还可以换一个更直观的角度理解。
Single-step supervision：
\[o_t\rightarrow a_t\]只告诉模型一件事：现在应该怎么动。
而 chunk supervision：
\[o_t\rightarrow (a_t,a_{t+1},\ldots,a_{t+H-1})\]实际上同时告诉模型：当前动作属于怎样的一段运动。
一个 action 本身只是轨迹上的一个点；一段 action sequence 却携带了方向、速度变化、接近、接触、抓取、运输、释放等结构。
因此，我更愿意把 Action Chunking 理解成一种 trajectory-level supervision。
它不是简单地把一个 label 变成 $H$ 个 label，而是在向网络提供“当前时刻之后的局部未来”。模型为了把未来几十步一起预测出来，必须在内部判断当前处于什么运动阶段、往哪个方向演化、距离下一个 phase transition 还有多远。
3. 第二个疑问：既然 Chunk 有效，那么是不是越长越好？
如果 Action Chunking 的优势来自更丰富的 temporal structure，一个很自然的推论似乎是：
\[H_p\text{ 越大越好}.\]但实验并不支持这个结论。
Mixture of Horizons in Action Chunking 的出发点就是：现代 VLA 往往直接固定一个 chunk horizon，但不同 horizon 实际上对应不同的 temporal bias。
图 3：不同 prediction horizon 在 $\pi_0$ 上的表现。较长 horizon 在 Long 套件上更有优势，但固定单一 horizon 无法同时取得最好的局部精度和长期预见；Mixture of Horizons 在多个套件上进一步提升。
3.1 长 Horizon 和短 Horizon 学到的其实不是同一种东西
短 horizon 的预测问题更容易：
\[o_t\rightarrow a_{t:t+h_s}.\]未来比较近，环境不确定性小，动作监督和当前观测强相关，因此它通常更擅长 fine-grained local control。这对于 grasp alignment、contact、插入、release 等阶段尤其重要。
长 horizon 则要求：
\[o_t\rightarrow a_{t:t+h_l},\qquad h_l\gg h_s.\]它必须看到更长的轨迹演化，因此拥有更强的 global foresight，尤其容易改善 long-horizon manipulation。但代价是，远期动作本身更难预测。未来越远，环境扰动、视觉变化、接触误差都会逐渐增加，模型对每一个具体动作的精度会下降。
于是出现了一个非常自然的 trade-off：
\[\boxed{\text{Long horizon: foresight }\uparrow,\; \text{local precision }\downarrow}\] \[\boxed{\text{Short horizon: local precision }\uparrow,\; \text{foresight }\downarrow}\]如果机器人任务本身只存在一种时间尺度，选一个固定 $H_p$ 当然没有问题。
但真实 manipulation 明显不是这样。
一个 pick-and-place 可能依次经历：
\[\text{approach} \rightarrow \text{pre-grasp alignment} \rightarrow \text{contact} \rightarrow \text{grasp} \rightarrow \text{transport} \rightarrow \text{placement}.\]其中 transport 可以是几十步的平滑运动，而 contact 可能在两三步之内就决定成功或失败。因此，“整个任务都应该使用同一个最佳 horizon”本身就是一个很强、也很可疑的假设。
3.2 Mixture of Horizons：为什么一定要选一个 Horizon？
MoH 的思路很直接：既然不同 horizon 各自擅长不同时间尺度，就让模型同时学习多个 horizon。假设最大长度为 $H$，构造一组：
\[\mathcal H=\{h_1,h_2,\ldots,h_N\}.\]例如：
\[\mathcal H=\{3,6,9,\ldots,30\}.\]同一段 ground-truth trajectory 会形成不同长度的训练目标：
\[A_t^{(3)},A_t^{(6)},\ldots,A_t^{(30)}.\]这些不同 horizon 共享同一个 action transformer，并行计算，再由一个很轻量的 gating head 逐时间步融合：
\[\hat a_{t,k} = \sum_{h\in\mathcal H,\;k\le h} \alpha_{t,k,h}\hat a_{t,k}^{(h)}.\]直觉上，相当于让同一个 policy 内部同时保留“近视”和“远视”两种能力。
图 4：MoH 的整体架构。多个不同 horizon 的 action segment 共享同一个 action transformer，并通过轻量 gating 按时间步融合。
实验结果并不是巨大到改变整个 benchmark 格局，但非常稳定。
在 $\pi_{0.5}$ 上，固定 $H=30$ 时 LIBERO 平均成功率为：
\[97.7\%.\]加入 ${3,6,\ldots,30}$ 的 MoH 后：
\[99.0\%.\]其中 LIBERO-Long：
\[95.4\%\rightarrow98.4\%.\]在 $\pi_0$ 上平均从 93.8% 提升到 95.1%；在 regression policy $\pi_{\text{reg}}$ 上从 95.2% 提升到 96.4%。在 RoboCasa 的 GR00T 设置下，平均成功率也从 28.0% 提升到 31.4%。
这一点很重要：MoH 的收益并不是 diffusion/flow matching 特有的现象。
也就是说，horizon 本身已经可以被看成一种 temporal representation，而不是某种生成模型专属的采样技巧。
3.3 多 Horizon 的真正价值：Temporal Diversity
实验的消融显示如果只是复制十份相同的 $H=30$ predictor，性能只从 97.7% 到 97.9%；而真正使用异质 horizon，才能到 99.0%。
这说明收益并不是“多几个头做 ensemble”这么简单，而来自：
\[\boxed{\text{不同时间尺度之间的异质性}}\]这和第一篇论文的 implicit ensembling 其实有一个很有趣的呼应。
第一篇告诉我们：普通 Action Chunking 已经通过
\[a_t|o_t,\; a_t|o_{t-1},\; a_t|o_{t-2},\ldots\]引入了不同 temporal delay 的预测关系。MoH 又进一步把“时间尺度的多样性”显式化，让同一个模型同时学习短期和长期的 trajectory structure。
3.4 Horizon Consensus 又把问题推向了执行端
MoH 还有一个容易被忽略的设计：动态推理。
如果多个 horizon 对前几步动作预测高度一致，说明这部分未来比较稳定，可以多执行一些；如果不同 horizon 很快产生分歧，则意味着附近可能出现决策点或精细操作，应该更早重新观察。
图 5：MoH 的动态推理示例。不同 horizon 对动作预测的共识高时执行更长前缀；出现明显分歧时提前停止并重新规划。
到这里，一个非常重要的概念开始浮现出来：预测 horizon 和执行 horizon 应该被分开设计。
4. 第三个疑问：预测了 50 步，为什么一定要执行 50 步？
现在的action chunk基本都是预测50步然后走10步然后重新预测,大家都把这个当作行业共识,但是why?没人研究，
PACE 最重要的贡献之一，就是把这个长期被当作实现细节的 execution horizon 单独拿出来研究。
图 6：PACE 总览。左上展示固定 execution horizon 的成功率高度非单调且任务相关；中间把预测 chunk 截断为动态选择的执行前缀；右侧和下方展示 RoboTwin2.0、真机以及单条 rollout 中的自适应执行。
4.1 固定 Execution Horizon 是一个相当脆弱的假设
PACE 对同一个 $\pi_{0.5}$ checkpoint 扫描不同 execution horizon，发现成功率对 $H_e$ 的关系不是简单的“越短越闭环，所以越好”，也不是“越长越连贯，所以越好”。
它往往是明显非单调的，而且任务差异很大。某些任务喜欢很短的执行段；某些任务喜欢较长 chunk；甚至同一个任务的曲线也可能出现多个峰值。
这其实非常符合 manipulation 的物理直觉。如果当前是 free-space transport，动作基本沿着一个平滑方向前进，那么每 1 步都重新调用一次大模型没有太大意义，反而可能因为模型噪声、推理延迟或 mode switching 破坏连贯性。但如果机械臂正接近 contact，或者处于插入、抓取、堆叠对齐等敏感阶段，执行几十步 open-loop 又显然危险。
所以真正的问题不应该是：“最佳固定 $H_e$ 是多少？”而应该是：“当前这个 chunk，在哪里最适合重新规划？”
4.2 PACE：把重规划点放到运动相位的边界
PACE 将执行步长写成：
\[h_i=g(\mathbf A_i).\]也就是说，每一次 policy query 得到一个 action chunk 后，不直接使用固定长度，而是根据这个 chunk 自身决定执行多少步。其核心先验非常朴素：机器人操作轨迹往往由多个局部连贯的 motion phase 组成，而 phase transition 附近通常会出现减速。例如：
\[\text{approach} \rightarrow \underbrace{\text{slow down}}_{\text{phase boundary}} \rightarrow \text{grasp}.\]PACE 从预测动作计算速度 profile，做平滑，再寻找显著的 low-speed valley，把它视作候选重规划边界。如果检测到了合适的 valley，就执行到那里；否则才执行到最大允许长度。
于是部署过程变成：
\[o_{\tau_i} \rightarrow \mathbf A_i \rightarrow h_i \rightarrow a_{i,1:h_i} \rightarrow o_{\tau_i+h_i} \rightarrow\cdots\]而不是固定：
\[h_i=H,\quad\forall i.\]在 RoboTwin2.0 的 50 个任务上，同一批 $\pi_{0.5}$ checkpoint：
\[H_e=5:48.8\%,\] \[H_e=25:57.8\%,\] \[H_e=50:53.4\%,\]而 PACE 达到：
\[64.2\%.\]真机上，平均成功率从全长执行基线的 50.7% 提升到 70.4%。
更重要的是，即使把固定 baseline 的平均执行长度调到和 PACE 相似，PACE 依然更好。这说明收益并不只是“平均多查询了几次”，而是：
\[\boxed{\text{在正确的位置重新查询}}\]比单纯提高查询频率更重要。
图 7：PACE 在同一条 rollout 内会选择明显不同的执行前缀。平滑运动阶段执行得长，接近相位过渡时执行得短。
5.预测得更远，即使不执行，仍然有价值
PACE 有一个消融，作者固定 deployment 时真正执行的长度 $H_{\text{eval}}$，只改变训练时 prediction horizon $H_{\text{train}}$。
当：
\[H_{\text{eval}}=10\]时，如果训练也只预测 10 步，成功率是：
\[57.2\%.\]如果训练时让同一个策略预测 50 步：
\[H_{\text{train}}=50,\]但部署时仍然只执行最前面的 10 步，成功率变成：
\[77.9\%.\]也就是：
\[\boxed{57.2\%\rightarrow77.9\%}\]提升 20.7 个百分点。
注意这里最反直觉的地方：
后面 40 个动作在部署时根本没有执行。
它们只是训练 target。
图 8：PACE 的 training-horizon 消融。固定 execution horizon 后，增大训练时 prediction horizon 仍能持续改善成功率；当 $H_{\text{eval}}=10$ 时，从训练 10 步提升到训练 50 步带来 +20.7 个百分点。
这个结果对“为什么不直接预测下一步”提供了一个非常直接的回答。
因为 Action Chunk 的作用并不仅发生在 open-loop execution 阶段。
即使你最后只执行前几步，要求网络联合预测更长的未来，本身就会改变网络学到的表示和动作分布。
这和前面“trajectory-level supervision”的理解几乎完美对应:被丢弃的 future actions 并不是无用预测，它们构成了当前动作的 temporal context。 所以 prediction horizon 和 execution horizon 的最优设计很可能天然不同.
6. Action Chunk 也许不应该被理解成“多个动作”，而应该被理解成 Local Motor Plan
这是我读完这三篇之后最强烈的感受。从张量形式上看，Action Chunk 只是：
\[\mathbf A_t\in\mathbb R^{H\times d_a}.\]但从功能上看，它已经越来越接近一个 Local Motor Plan。
传统 hierarchical robotics 往往会显式区分：
\[\text{Task Planning} \rightarrow \text{Motion Planning} \rightarrow \text{Control}.\]今天的 VLA 把很多层级压进了一个神经网络里，但层级本身并没有真正消失。
语言和视觉输入负责描述任务和场景；Action Chunk 则给出接下来一小段可执行的局部运动意图；更低层的 execution mechanism 再决定如何利用最新反馈安全地消费这个 plan。
在这个视角下，Action Chunking 的意义就不仅是“让 diffusion 更容易收敛”或者“提高推理吞吐”。
如果要把上面的讨论落实到今天的连续控制 VLA，我觉得固定单一 prediction horizon 可能不是最终形态。MoH 的结果说明，机器人任务天然是 multi-timescale 的。与其寻找一个全局最优 $H_p$，不如让模型同时拥有不同时间尺度的预测能力，或者最终直接学习状态依赖的 horizon。Execution Horizon 最好是内容感知的。PACE 用速度 valley 作为 phase boundary；MoH 用跨 horizon disagreement 作为置信信号。它们看似不同，背后的思想其实一致：应该根据当前预测的结构决定什么时候需要反馈，而不是机械地每隔 $N$ 步重规划。评估 Action Chunking 时应该进行二维而不是一维消融。很多工作只报告 chunk length，但真正需要扫的是：
\[(H_p,H_e).\]更进一步，还应该分别研究 training horizon 和 inference prediction horizon。否则“chunk=10 比 chunk=50 好”这样的结论很容易把学习和控制两个因素混在一起。
9. 还有哪些问题没有解决？
尽管这三篇工作已经把 Action Chunking 拆得比以前清楚很多，但仍然有一些关键问题没有真正回答。PACE 使用运动速度中的低速谷寻找 phase boundary，这是一种非常漂亮的 hand-crafted prior，但未来的 VLA 也许应该自己预测：
\[p(\text{replan}\mid o_t,\mathbf A_t),\]甚至直接预测 duration、termination、contact likelihood 或 uncertainty。
这时 Action Chunk 就不再是固定长度矩阵，而可能变成：
\[(\mathbf A_t,\tau_t,c_t),\]其中 $\tau_t$ 表示这段 local plan 的有效持续时间，$c_t$ 表示模型对其可靠性的估计。
最后，今天绝大多数讨论仍然建立在 imitation learning 上。强化学习中，action repeat、temporal abstraction、options 与 chunked policy 之间又有一套不同的 credit assignment 和 exploration 问题。Action Chunking 在 RL 中往往不是“没有就不工作”，但它为什么经常仍能提高稳定性，可能需要另一套解释。
主要参考论文
- Filippo Lazzati, Kyle Stachowicz, William Chen, Alberto Maria Metelli, Andrew Wagenmaker, Sergey Levine. Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control? arXiv:2608.02547, 2026.
- Dong Jing, Gang Wang, Jiaqi Liu, et al. Mixture of Horizons in Action Chunking. arXiv:2511.19433, ICML 2026.
- Junnan Nie, Jiayi Li, Jiachen Zhang, et al. PACE: Phase-Aware Chunk Execution for Robot Policies with Action Chunking. arXiv:2606.00537, 2026.