Action Decoder 是具身智能系统中将潜在表示（如视觉特征、语言指令编码等）解码为机器人可执行动作序列的模块，是 VLA 和 VPP 等端到端策略架构中不可或缺的组成部分。
作用与位置
在典型的具身智能管线中，感知模块（如 视觉编码器、语言编码器）负责将原始观测压缩为高维特征向量，而 Action Decoder 则负责最后一步：将这些特征转化为关节角度、末端位姿增量、夹爪开合等机器人可直接执行的低层动作。它的设计直接影响动作的精度、平滑度和多模态性（即是否能表达多种合理动作）。
常见实现方式
Action Decoder 的实现主要有两大流派。自回归式（Autoregressive）逐步预测每一维或每一步动作，类似语言模型逐词生成，优点是简单直接，但串行推理速度受限。扩散式（Diffusion Policy）则将动作生成建模为去噪过程，从随机噪声出发逐步细化为动作序列，天然支持多模态动作分布的表达，在接触丰富的操作任务中表现突出。此外还有 MLP 回归、流匹配（Flow Matching）等方案，各有精度和速度上的取舍。
设计考量
Action Decoder 的设计需要平衡多个因素：动作空间的维度与类型（关节空间 vs 笛卡尔空间）、预测的时间跨度（单步 vs 动作块 chunk）、与感知特征的融合方式（交叉注意力 vs 拼接后全连接）、以及推理延迟要求。在 ACT、Pi0, Pi0.5 等最新工作中，Action Decoder 往往采用动作分块（action chunking）策略，一次解码未来若干步的动作序列并滚动执行，以兼顾反应速度和执行平滑性。