Robotic Embodied Intelligence - From Zero to Hero

10.4.1 模型压缩与蒸馏（distillation）

在前面章节中，我们更多讨论了“怎么让 VLA 变强”；本节开始讨论另一面：怎么让它变“轻”、变“快”，但不变“傻” 。模型压缩与知识蒸馏是目前在大模型落地中最成熟的一类技术路径。(MDPI)

10.4.1.1 压缩必要性

VLA 模型通常同时包含视觉 backbone、语言 backbone 和动作解码器三部分，很多工作使用数十亿参数量级的 Transformer 作为核心，例如 7B 规模的 OpenVLA、以及更大的 RT-2 系列。(arXiv) 这类模型在训练时可以依赖数据中心 GPU 集群，但在真实机器人上部署，就会遇到几个非常现实的问题：

• 算力与能耗限制：移动机器人、机械臂控制箱上常见的是 Jetson、Coral TPU、嵌入式 CPU+小 GPU 等边缘设备，其功耗和峰值算力远低于服务器级 GPU。(ThinkRobotics.com)
• 时延约束：具身智能强调“感知–决策–控制”的闭环，闭环延迟需要控制在几十毫秒到百毫秒以内，否则机器人看到的永远是“过去的世界”，容易动作滞后甚至撞人。(MDPI)
• 存储与内存瓶颈：一个 7B 级别全精度模型单权重就需要数十 GB 存储，更不要说中间激活占用，对 8 GB～16 GB 内存的嵌入式平台来说几乎是灾难。(MDPI)
• 系统级共享资源：机器人还要运行 SLAM、运动规划、传感器驱动等模块，VLA 只是其中一员，不能“独占”全部资源。

综上，对于部署在机器人端的 VLA 来说，参数量、计算量和带宽 都是必须正面面对的工程约束。模型压缩的目标，就是在尽量保持任务性能的前提下，系统性地降低模型复杂度。主流压缩手段可以概括为：剪枝（Pruning）、量化（Quantization）、低秩分解（Low-Rank Decomposition）、结构化轻量设计和知识蒸馏（Knowledge Distillation）。(SSRN)

【图 10-4-1 占位：绘制“模型大小–推理延迟–任务成功率”三者关系的示意图，展示压缩之后延迟明显下降，但成功率只略有下降的趋势曲线。】

在 VLA 场景下，知识蒸馏尤为重要，因为它不仅能“压缩参数”，更能“迁移大模型中已经学到的多模态知识和策略”，这是下一小节要重点展开的内容。(ACM Digital Library)

10.4.1.2 蒸馏方法

知识蒸馏（Knowledge Distillation） 的典型形式是：用一个性能更强、规模更大的“教师模型（Teacher）”，去指导一个更小、更轻量的“学生模型（Student）”学习。学生不仅学习标注数据上的“正确答案”，还学习教师模型对各类候选答案的“偏好分布”，从而在小规模参数下尽量接近大模型性能。(ACM Digital Library)

从“学什么”的角度，常见蒸馏知识类型可以分为三类：(ACM Digital Library)

1. 响应级（Response-based）蒸馏
   • 直接对齐教师和学生的输出分布，例如分类任务中的 softmax 概率、VLA 中动作 token 的概率分布。
   • 通常使用带温度的 KL 散度或交叉熵作为蒸馏损失，使学生模仿教师的“软标签”，而不是仅仅拟合 one-hot 的硬标签。
2. 特征级（Feature-based）蒸馏
   • 对齐中间层特征，如视觉 encoder 最后一层的特征图、融合后的多模态表示、动作解码器中间隐藏状态等。
   • 通过 L2 损失、注意力矩阵对齐等方式，使学生在内部表征空间上接近教师，有利于迁移高层语义与多模态对齐能力。
3. 关系级（Relation-based）蒸馏
   • 不直接约束特征本身，而约束样本之间、模态之间的关系，例如特征相似度矩阵、注意力图、token 间的相对关系等。
   • 对于 VLA 来说，可以蒸馏“视觉 token 与语言 token 之间的相关性模式”，帮助学生学会在图像和指令之间建立类似的注意力结构。

在机器人 VLA 场景中，还经常会用到两类“面向策略”的蒸馏变体：

• 策略蒸馏（Policy Distillation）：教师可以是一个使用 RL/IL 训练出来的高性能策略，学生学习在同样的状态输入下输出接近的动作分布，用于把多个任务或多个机器人上的策略压缩到一个统一学生模型中。
• 多模态联合蒸馏：同时对视觉编码器、语言编码器和动作解码部分进行蒸馏，例如在视觉、语言和动作三个通道都加入蒸馏损失，保证学生不仅“会做”，还“看得懂、听得懂”。

【图 10-4-2 占位：教师–学生结构示意图。左侧为大 VLA，右侧为小 VLA，标注“输出蒸馏”“中间特征蒸馏”“注意力关系蒸馏”等不同连线。】

10.4.1.3 蒸馏过程

从工程视角出发，可以把一个 VLA 的蒸馏工程拆解为几个明确步骤：

1. 确定教师模型与学生模型架构

   • 教师模型通常是已经在大规模数据上训练好的通用 VLA，例如一个 7B 级 OpenVLA 或更大的 RT-2 风格模型。(arXiv)
   • 学生模型采用更小的隐藏维度、更少的层数、更窄的多头注意力，甚至采用专门为嵌入式设计的轻量结构（如 MobileNet 样式视觉 encoder + 小型 Transformer 解码器）。

2. 构建蒸馏数据集

   • 离线蒸馏：在已有的机器人示教数据（图像、语言指令、动作轨迹）上，额外调用教师模型生成输出分布和中间特征，作为蒸馏监督。
   • 在线/交互式蒸馏：在仿真环境中让教师与环境交互，教师执行策略、学生在旁“抄作业”；甚至可以采用多次 rollout，不断扩充训练集。

3. 设计损失函数与权重 通常会将“任务损失”和“蒸馏损失”进行加权组合：

   \[ L = \lambda_{\text{task}} L_{\text{task}} + \lambda_{\text{distill}} L_{\text{distill}} \]

   • \(L_{\text{task}}\)：来自真实标签的监督损失，如动作 token 的交叉熵、任务成功/失败的 BCE 等。
   • \(L_{\text{distill}}\)：包括输出分布的 KL 散度、特征对齐的 L2 损失、注意力矩阵对齐等。
   • 温度参数 \(\displaystyle T\) 通常会用来“软化”教师输出，让学生更容易学习类别或动作之间的细微偏好差异。(ACM Digital Library)

4. 训练流程与策略

   • 先在蒸馏数据上进行若干轮“纯蒸馏训练”，使学生快速对齐教师的整体行为。
   • 再加入小批量真实环境数据或额外 BC/RL 微调，以防学生只会模仿教师的习惯，而无法适应真实机器人噪声和物理细节。
   • 若目标是量化部署（见 10.4.2），可直接在蒸馏过程中采用低精度学生模型（如 int8 仿真），进行“量化感知蒸馏”，让学生一开始就适应量化带来的噪声。(ResearchGate)

5. 评估与安全验证

   • 在标准基准（如 VLA Bench 或实验室自建任务集）上对比教师与学生的任务成功率、泛化能力、失误类型。(CVF开放获取)
   • 在真实机器人上逐步“放权”：先低速、单任务、无人体场景测试，再逐步增加复杂度，确认蒸馏过程中没有引入危险行为或异常策略。

【图 10-4-3 占位：蒸馏流程时序图，从“数据采集/仿真 -> 教师打标签 -> 学生训练 -> 部署验证”的流程图。】

蒸馏在本章后面会与量化、边缘部署结合，构成“小模型 VLA”的主力技术路线，为机器人提供可负担的智能大脑。

10.4.2 Quantization（量化）与推理效率优化

如果说蒸馏是“换一个更小的脑袋”，那么量化就是“用更节省的数字来存储和运算同一个脑袋”。在当前软硬件生态下，量化几乎是所有边缘部署流水线的标配。(NVIDIA Developer)

10.4.2.1 模型量化

模型量化（Model Quantization） 指的是将模型中的权重和激活从高精度的浮点数（如 FP32）映射为低比特表示（如 FP16、INT8，甚至 4 bit），从而大幅降低存储和计算成本：(MDPI)

• 存储节省：从 FP32 到 INT8，理论上权重存储可减为原来的 1/4，意味着在相同显存/内存条件下可以加载更大的模型，或者运行更多模型。
• 计算加速：许多边缘硬件（如 Jetson Tensor Cores、Edge TPU）对低精度整数矩阵乘法做了专门优化，INT8 运算吞吐远高于 FP32。(NVIDIA Developer Forums)
• 带宽降低：更短的表示意味着从内存到计算单元的数据传输压力减轻，有助于提高整体吞吐。

量化本质上是在一个有限整数区间（如 \(([-128, 127])\)）上，用一个线性比例因子（scale）和零点（zero-point）去近似原始的浮点范围。不同层、不同张量可以有不同的 scale/zero-point，以减小量化误差。(Hugging Face)

【图 10-4-4 占位：示意一维浮点分布被线性映射到 INT8 离散格点的示意图，标出 scale 与 zero-point。】

对于 VLA 这类 Transformer 模型，量化时还要考虑：

• 对 Embedding 层、输出 logits 层、LayerNorm 参数 等通常更敏感，往往保留在 FP16/BF16，而对大部分线性层、注意力投影层做 INT8 量化，形成混合精度（Mixed-Precision） 方案。(NVIDIA Developer)
• 对视觉 backbone（CNN/ViT）则更容易采用静态 INT8 量化，因为特征分布相对稳定，硬件支持也更成熟。

10.4.2.2 量化方法

从“在训练流程中的位置”看，常用的量化策略可以分为三大类：(Hugging Face)

1. 训练后量化（Post-Training Quantization, PTQ） 不再重新训练模型，只在训练完成的 FP32/FP16 模型基础上进行转换。
   • 动态量化（Dynamic Quantization）
     • 典型用法：权重在离线阶段量化为 INT8，激活在运行时根据当前 batch 的实际取值动态计算量化参数。
     • 优点：不需要额外的“校准（calibration）”数据，适合 Transformer 和 RNN 等序列模型。(onnxruntime.ai)
   • 静态量化（Static Quantization）
     • 在转换阶段使用一个小的代表性数据集，通过若干次前向推理统计各层激活的 min/max 或直方图分布，离线确定量化区间。
     • 推理时权重和激活都使用固定的 INT8 区间，适合 CNN 和视觉 backbone，可获得更好的推理加速。(Google AI for Developers)
2. 量化感知训练（Quantization-Aware Training, QAT） 当简单的 PTQ 带来的精度下降无法接受时，可以在训练阶段“模拟量化”：
   • 在前向中插入“假量化（fake quantization）”算子，把权重和激活“截断”为低比特表示，在反向传播时仍使用高精度更新。
   • 通过这种方式，模型在训练中逐渐适应量化噪声，最终在真实 INT8/INT4 部署时精度损失更小。(datature.com)
   • 对 VLA 这种长序列 Transformer，QAT 成本较高，但在关键组件（如动作解码器）上进行局部 QAT，往往能取得不错的折中。
3. 混合精度与分层量化
   • 在 GPU 上常见的 FP16/BF16 + FP32 混合精度，本质上也是一种量化形式，只不过比特数仍然较高。(NVIDIA Developer)
   • 在更激进的方案里，可以对不同层使用不同 bit-width（如主干 INT8，部分线性层 INT4），甚至结合蒸馏，让低比特学生从高精度教师中学习对量化噪声不敏感的表示。

在工程实践中，一个较为稳妥的路线是：先做 FP16 混合精度 + 图优化，如果仍无法满足实时性，再尝试 INT8 PTQ，最后针对关键模块上 QAT 或更低比特。

10.4.2.3 推理优化

量化只是“瘦身”的一部分，要真正达到实时控制的要求，还需要一整套推理优化（Inference Optimization） 手段，从模型图到系统调度都要动手术。(onnxruntime.ai)

1. 图级与算子级优化
   • 利用 TensorRT、ONNX Runtime、TVM 等工具进行图优化：算子融合（如 Conv+BN+ReLU）、常量折叠、消除冗余分支等。(onnxruntime.ai)
   • 针对特定硬件选择高效 kernel，例如在 Jetson 上启用 Tensor Cores 的 FP16/INT8 kernel，在 Edge TPU 上使用 TFLite 编译器生成专用计算图。(NVIDIA Developer Forums)
2. 输入输出与批处理策略
   • 机器人控制多为 batch=1 的在线模式，但同一时刻可以并行处理多路传感或多步规划，需合理设计异步队列。
   • 适当降低图像分辨率、缩短语言上下文长度、限制历史轨迹长度，都可以有效减小 VLA 的序列长度和计算量。
3. 系统级调度与并行
   • 将视觉预处理、VLA 推理和低层控制放在不同线程/进程，用共享内存或零拷贝（zero-copy）减少数据复制开销。
   • 使用优先级队列，对时延敏感的控制循环（例如避障）给予更高优先级，大模型推理则在后台或较低频率运行。(MDPI)
4. 缓存与重用
   • 对语言指令等不变部分，可以预先编码缓存，仅对每一帧变化的视觉和状态信息重新计算。
   • 对长 horizon 任务，可采用增量注意力缓存（KV cache），在每一步仅对新 token 做注意力计算，减少平方级开销（具体细节可回顾 Transformer 部分的复杂度分析）。

【图 10-4-5 占位：机器人系统推理流水线示意图，从“相机帧 -> 预处理 -> VLA 推理 -> 控制命令”，标注在哪些位置做量化、在哪些位置使用推理引擎优化。】

通过“蒸馏 + 量化 + 推理优化”三板斧，往往可以把一个原本只能在服务器跑的 VLA，压缩到可以在 Jetson 级别硬件上达到 10 Hz 以上的闭环频率，为后面的边缘部署打下基础。(MDPI)

10.4.3 边缘设备上的部署实践要点

前两小节更多聚焦于“模型本身怎么变小、变快”，这一节转到系统工程视角：在真实边缘硬件上，如何把一个 VLA 模型稳稳当当地跑起来 。

10.4.3.1 硬件选型

边缘部署的硬件选型，本质上是在性能、功耗、成本、开发便利性 之间做多目标折中。可以粗略分为以下几类：(ThinkRobotics.com)

1. 嵌入式 GPU 平台（如 NVIDIA Jetson 系列）
   • 优点：CUDA 生态成熟、TensorRT 支持良好，适合运行 CNN、Transformer、VLM/VLA 等通用深度模型。
   • 典型应用：中高性能移动机器人、机械臂控制柜。(Ultralytics Docs)
2. 专用 NPU / Edge TPU 加速器（如 Google Coral TPU）
   • 优点：功耗极低、对 INT8 推理高度优化，适合部署压缩后的 CNN/VLM 和小型 VLA。(ResearchGate)
   • 不足：模型需转换为特定格式（如 TFLite），对模型结构限制较多（不支持某些算子或动态控制流）。
3. CPU + 小 GPU / VPU 组合
   • 如树莓派 + USB 加速器（Movidius NCS 等），适用于简化版本政策或只在云端运行大模型、边缘执行轻量策略的场景。
4. FPGA / 定制 ASIC
   • 对大规模量产、极致能效的商用机器人有吸引力，但开发成本高、迭代慢，目前更偏向产业界工程化方案。

对于具身智能研究者来说，常见实践路线是：实验阶段用桌面 GPU，原型部署用 Jetson，极低功耗产品再考虑 NPU/TPU/FPGA 。在选型时要结合上一节的压缩方案估算：目标模型在目标硬件上的推理时延、峰值内存占用和长期散热能力 。

【图 10-4-6 占位：表格形式对比 Jetson、Coral TPU、CPU+GPU 方案的算力（TOPS）、功耗、生态支持等参数。】

10.4.3.2 内存管理

即使选对了硬件，如果内存管理不到位，VLA 也可能在关键时刻因为 OOM（Out of Memory）直接崩溃。以下是边缘部署时需要重点关注的方面：(onnxruntime.ai)

1. 预算与分析
   • 将运行时内存拆解为：模型权重（常驻）、中间激活（临时）、输入输出缓存、系统与其他进程占用。
   • 使用框架提供的 profile 工具（如 TensorRT profiler、onnxruntime profiling）测真实峰值，而不是仅凭理论估算。
2. 控制模型内存占用
   • 利用前面介绍的量化减小权重体积，选择合适的最大序列长度（图像 patch 数、语言 token 数、历史步数）。
   • 对视觉 backbone，减少特征通道数、采用分辨率自适应（近处高分辨率、远处低分辨率）策略。
3. 运行时内存复用与分配策略
   • 启用框架的内存池/缓存机制，避免频繁 malloc/free 带来的碎片化。
   • 定期监控内存碎片率，在多次加载/卸载模型的场景中考虑进程级重启或使用“模型常驻 + 动态配置”架构。
4. 多进程/多节点协同
   • 对于计算负载较大的视觉和 VLA，可以单独放在一个“推理节点”中，通过 ROS topic / RPC 接口服务其他模块，清晰隔离内存与错误边界。

10.4.3.3 运行监控

任何长期在线的机器人系统，都必须具备一定程度的运行监控与自诊断能力，否则一旦模型在部署后出现性能衰退或异常行为，很难定位问题。(MDPI)

监控主要包括三个层面：

1. 资源层监控
   • CPU/GPU/NPU 利用率、内存/显存占用、设备温度、电池电量与电流等。
   • 典型工具：Jetson 上的 tegrastats、Linux 上的 top/htop、厂家提供的 SDK API。
2. 性能指标监控
   • 每次 VLA 推理的时延分布（平均值、P95、P99）、吞吐（每秒处理的观测步数）。
   • 离线评测到的任务成功率与在线实际成功率的差异，用于监控“性能漂移”。
3. 行为与安全监控
   • 记录发生紧急停止、碰撞检测触发、动作超限的次数和上下文数据（视觉帧、状态、指令）。
   • 建立简单的异常检测规则，如在短时间内连续多次发生动作规划失败或传感器异常，触发退避策略或人工介入。

【图 10-4-7 占位：一个简单监控面板示意图，包含 CPU/GPU 利用率、推理时延曲线、任务成功率趋势以及安全事件计数。】

在有了这套监控基础之后，团队才能在后续迭代中量化地评估不同压缩策略、不同硬件平台对整体系统行为的影响，而不是依靠主观体验。

10.4.4 小模型 VLA 与大模型 VLA 的协同（如规划–执行分离）

随着 OpenVLA、RT-2 等大型 VLA 的出现，一个现实问题是：这些模型很强，但不一定适合直接“塞进”机器人里 。越来越多的系统开始采用“小模型 + 大模型”的协同架构，将规划与执行、推理与控制分层。(维基百科)

10.4.4.1 分级规划执行

一种自然的架构是**“大模型做高层规划，小模型做低层执行”**：

• 大模型 VLA / VLM + LLM（云端或高性能本地工作站）
  • 负责理解复杂自然语言任务、检索世界知识、推理长时序计划（例如完成一个“整理房间”的多步骤任务）。
  • 可以基于互联网上的大规模图文数据和机器人数据进行训练，具有更强的泛化和推理能力，例如 RT-2 将 web 视觉–语言知识迁移到机器人动作中。(arXiv)
• 小模型 VLA（部署在机器人本体）
  • 负责将高层计划分解为连续的控制动作，如抓取、放置、移动、避障等，在几十 Hz 的频率下闭环控制。
  • 通过前文介绍的蒸馏与压缩，从大模型继承视觉–语言–动作对齐能力，但参数量和延迟显著下降。

具体流程上，大模型输出的可以是：

• 语言化的分步指令（如“先把红色杯子放到桌子右侧，再关灯”）；
• 结构化的任务图（task graph），包含一系列子任务、先后约束与条件分支；
• 关键子目标（sub-goals），如中间位姿、关键物体状态（“杯子在架子上”“杯子在桌上”）。

小模型 VLA 则在每个子任务内，通过自身感知与控制实现局部闭环。这样，大模型只需低频运行（例如 0.1–1 Hz 做一次整体再规划），而小模型负责高频反馈控制。

【图 10-4-8 占位：层级架构图，上层“大模型”接收人类语言指令并输出子任务序列，下层“小模型 VLA”连接机器人，执行每个子任务。】

10.4.4.2 信息传递

大小模型之间的信息传递形式，直接决定了系统的灵活性与工程复杂度。常见的几种接口设计包括：

1. 以语言为接口
   • 大模型输出自然语言或受限模板语言（如 DSL），小模型再对其进行解析。
   • 优点是通用性强、易于人类 debugging；缺点是需要保证小模型对语言的解析鲁棒性。
2. 以符号 / 结构化状态为接口
   • 大模型输出结构化的任务描述，如 JSON 形式的 {"action": "pick", "object": "red_mug", "target": "table_right"}。
   • 小模型根据这些参数在自己的感知空间中查找对应目标（如在图像中找 red_mug），并规划动作。
3. 以高维嵌入 / 潜变量为接口
   • 大模型输出某种“目标嵌入”（goal embedding），小模型通过训练好的策略将当前状态推向这个目标嵌入。
   • 这种方式更接近端到端学习，但可解释性较弱，多用于研究型系统。

信息传递还涉及反馈通道：

• 小模型需要向大模型汇报子任务执行状态（成功/失败、耗时、遇到的障碍），大模型据此更新整体计划。
• 为了降低带宽与隐私风险，通常不会传输原始视频帧，而是传输压缩后的特征、关键检测结果或语言化的场景描述。(MDPI)

10.4.4.3 优势互补

“小模型 VLA + 大模型 VLA”的协同，本质上是对单一大模型直接部署的现实折中，它带来的优势包括：

• 性能与资源的分工
  • 大模型负责认知层面的“想”（理解复杂指令、做长程规划）；
  • 小模型负责控制层面的“做”（考虑传感噪声、动力学约束、实时安全）。
• 在线学习与自适应的空间
  • 小模型可以在部署过程中通过少量在线数据微调（例如适应新的照明环境或新机器人），而大模型保持相对稳定，避免每次环境变化都要大规模重训。
• 安全与可靠性
  • 在网络中断或大模型不可用时，小模型仍可执行基础技能（如紧急制动、保持静止、简单避障）。
  • 规划–执行分离也便于在执行层加入更多物理安全约束和形式化验证，而不必对整个巨型大模型做不可行的形式验证。

【图 10-4-9 占位：比较单一大 VLA 与“大+小”协同架构的示意图，展示在性能、时延和安全性三方面的对比雷达图。】

在长期发展视角下，随着硬件继续进步，未来某些机器人平台可能直接搭载中大型 VLA；但在可预见的一段时间内，“云端/服务器大模型 + 端侧小模型”会是非常现实、工程上可行的一条路径。本节介绍的蒸馏、量化、边缘部署与协同架构，也构成了从“VLA 论文”走向“VLA 产品”的关键工程桥梁。