知识卡片：rMuscle——面向视觉-语言-动作模型推理的机器人肌肉记忆

一句话结论

rMuscle 是一个受人类肌肉记忆启发的实时 VLA 推理框架，通过复用机器人重复执行中的上下文与动作内部状态，在 RTX 4090 和 Jetson Thor 上取得 1.29–1.42X 加速，并在真实机器人上保持原成功率（更细粒度指标待核实）。

事件概述或研究问题

工厂重复性手工工作是具身 AI 的早期场景；VLA 模型已成为这类机器人的主流策略范式。VLA 推理延迟直接影响机器人响应速度和运动平滑度。现有 VLA 推理框架未充分利用具身工作负载特征，也未充分处理 VLA 推理不同阶段的瓶颈。论文首先刻画具身工作负载，发现机器人重复执行之间存在显著任务相似性，且相似性超出观测和动作轨迹，延伸到内部模型状态。

方法/产品要点

• 提出 rMuscle，一个受人类肌肉记忆启发的实时 VLA 推理框架。
• 利用跨执行相似性，设计双阶段肌肉记忆缓存：
  • Context Cache：复用视觉 token 输出（visual-token outputs），减少计算。
  • Action Cache：复用神经元激活模式（neuron activation patterns），减少权重访问。
• 通过在线缓存重计算（online cache recomputation）、滑动窗口缓存检索（sliding-window cache retrieval）和连续去噪步骤间的掩码共享（mask sharing across consecutive denoising steps），降低缓存内存占用与访问开销。
• 具体缓存结构、命中率、实现细节与开源情况待核实。

主要结果或产业意义

• 在 RTX 4090 和 Jetson Thor 上，跨 LIBERO、RoboTwin 和物理操作任务，实现 1.29–1.42X 加速。
• 在真实机器人上保持原始成功率；具体任务数量、成功率数值、统计显著性待核实。
• 产业意义：面向工厂重复任务，推理加速可改善机器人响应性和运动平滑度，并提升 VLA 在边缘/嵌入式平台上的实时部署可行性。

为什么重要

• VLA 是当前机器人策略的重要范式，推理延迟直接关系到控制回路实时性和动作质量。
• 该工作把优化重点放在具身工作负载的重复性上，并将可复用性从外部观测/动作扩展到内部模型状态，属于推理系统层面的优化思路。
• 对工厂等结构化、重复性强的早期落地场景，这类缓存可能带来明确的效率收益；在非重复或高动态环境中的价值待核实。

与既有脉络的关系

• 已有 FibVLA 卡片关注 VLA 推理效率与时序感知，路径是采样/递归推理；rMuscle 的增量在于利用跨执行任务相似性与内部模型状态缓存，设计 Context Cache 和 Action Cache 来减少计算和权重访问。
• 与 WCM、CamVLA 等卡片关注的强化学习后训练、相机视角鲁棒性不同，rMuscle 聚焦实时 VLA 推理加速。三者之间是否有直接对比或继承关系，来源材料未说明，待核实。

局限与不确定性

• 仅基于来源摘要信息；论文正文、实验设置、基线、消融、缓存命中率、内存/功耗开销等未提供，待核实。
• 缓存收益可能依赖重复执行和结构化工作站；在开放环境、多任务切换或动态场景下的泛化性待核实。
• “保持原始成功率”的具体定义、任务范围、真实机器人平台和统计结果待核实。
• 官方英文关键词未在来源中给出；本文所列英文关键词为摘要术语整理，非官方列表。
• 是否经过同行评审、代码/模型是否开放、作者单位等，待核实。

可用于图书/PPT/简报的角度

• “机器人肌肉记忆”：用人类肌肉记忆类比解释 VLA 推理缓存。
• 工厂重复劳动自动化：为何结构化重复任务可能是具身 AI 早期经济场景。
• VLA 推理瓶颈拆解：计算瓶颈 vs 权重访问瓶颈，以及 Context Cache / Action Cache 的双阶段应对。
• 边缘部署：RTX 4090 与 Jetson Thor 上的加速对机器人实时性的意义。
• 从观测/动作相似性到内部状态相似性：具身工作负载优化的新切入点。
• 与 FibVLA 等推理效率路线对比：采样/递归 vs 跨执行缓存。

原始材料

• 英文标题：rMuscle: Robotic Muscle Memory for Efficient Vision-Language-Action Model Inference
• 英文关键词（来源未提供官方关键词列表；据摘要术语整理）：Vision-Language-Action (VLA), Robotic Muscle Memory, Efficient Inference, Context Cache, Action Cache, Embodied Workloads
• arXiv ID：2609.19104v1
• Authors：Kaijun Zhou, Zhiyang Li, Le Chen, Jinyu Gu
• Published/Updated：2026-09-16T17:34:43Z
• Primary category：cs.RO
• Categories：cs.RO, cs.AI
• Abstract URL：https://arxiv.org/abs/2609.19104v1
• PDF URL：https://arxiv.org/pdf/2609.19104v1
• 来源材料：上述 arXiv 摘要页/PDF 链接；摘要之外的细节待核实。