WCET 法则失效之后：VLA 时代人形机器人的混合调度新范式

在传统工业控制与硬实时系统领域，有一条沿用了几十年的铁则：所有关键任务必须先做最坏执行时间（WCET）分析，确保最极端情况下任务也能在截止时间前完成。这是系统实时性与安全性的根基。

但当 VLA 被引入人形机器人系统后，这条铁则直接失效了。

端侧算力是刚性的，而 VLA 的推理时间是概率性、长尾分布的。这就形成了一个经典的调度悖论：按最坏情况预留算力，系统大部分算力闲置，整体效率极低；按平均情况分配算力，一旦推理出现长尾超时，就会击穿实时性底线，引发安全风险。

逐际动力的 RTC 实时分块技术，本质正是在这个悖论里，找到了一条工程可行的中间路线。

1. 两个前提被打破：传统硬实时调度为什么不灵了

传统 WCET 调度体系成立，有两个不可或缺的前提：任务执行时间可预测，任务优先级可静态定义。而 VLA 的出现，同时打破了这两个前提。

第一，执行时间从 “有界” 变成了 “概率分布”。

传统控制任务的代码是确定的，执行路径固定，最坏执行时间可以精确计算，波动在微秒级。但大模型推理完全不同：输入 token 长度、视觉场景复杂度、算力负载、缓存命中率，都会显著影响推理时间。同一场景下，推理时间峰值可能是平均值的 2~3 倍，不存在严格意义上的 “最坏值”，只有概率意义上的长尾分布。

如果硬套 WCET 思路，按最长尾时间预留算力，端侧宝贵的 NPU/CPU 算力会有一大半常年闲置，本可以并行做的感知增强、轨迹优化、参数迭代全部做不了，系统整体性能被严重浪费。

第二，任务优先级从 “静态” 变成了 “动态”。

传统工业系统的优先级是静态定义的：控制闭环永远最高，安全任务高于一切，感知规划优先级固定。但人形机器人在真实环境中，优先级是随场景动态变化的：

正常作业时，运动控制优先级最高，VLA 推理次之；

遇到突发障碍物、倾倒风险时，视觉感知与应急决策的优先级需要瞬间拉满，抢占全部算力；

人机交互场景下，语音与力觉反馈的优先级又会提升。

静态优先级调度，要么在紧急场景下响应不及时，要么常年预留高优先级算力造成浪费，无法适配动态变化的真实场景。

这就是很多团队的共性困境：单独测 VLA 推理时延都达标，一跑全链路就频繁超时、卡顿。不是代码写得不够好，而是静态调度的底层逻辑，从根上就适配不了动态波动的 AI 负载。

2. 三层混合调度范式：刚性保底，弹性承载，动态最优

针对 VLA 系统的特性，工业界正在逐步形成一套 “三层混合调度” 的新范式，也正是逐际动力 RTC 方案背后的核心设计思想。它既守住了硬实时的安全底线，又最大化了算力利用效率。

第一层：硬实时保护区 —— 用静态调度守住生命线

最底层的运动控制、安全停机、传感器采样、急停链路，永远采用传统硬实时调度，静态分配最高优先级，绑定独立 CPU 核心，屏蔽无关中断，不允许任何上层任务抢占。

这部分是系统的生命线，执行时间严格符合 WCET，用确定性保证绝对可靠。无论上层 AI 负载如何波动，底层控制节拍绝对不能乱，安全机制绝对不能失效。这是所有调度设计的前提，没有任何妥协空间。

第二层：弹性时间分片 —— 用预算制承载概率波动

中间层的 VLA 推理、视觉感知、轨迹规划这类有波动的任务，采用预算配额制，也就是常量带宽服务器（CBS）的调度思想：给每个模块分配一个固定的平均时间预算，允许执行时间在一定范围内波动，但绝对不能超出最大配额。

核心技巧是 “时间分片预留 + 超时降级” 的组合机制：

• 给 VLA 预留两级预算：正常预算满足绝大多数场景的推理需求，超额预算覆盖长尾波动；

• 正常推理在预算内完成，剩余算力自动让渡给感知增强、轨迹优化等次要任务，提升算力利用率；

• 一旦推理超时接近最大配额，立刻触发降级机制：比如降低推理精度、裁剪输出关键帧数量、复用前一帧的部分结果，强制在配额内输出可用结果，绝对不允许无限期等待。

这一层的核心，是把 “不可控的长尾超时”，转化为 “可控的质量降级”。用弹性的算力分配，承载概率性的推理波动，既不浪费算力，也不击穿底线。

第三层：动态算力调度 —— 按场景实现全局收益最大化

最上层是全局调度器，根据当前机器人的运动状态、任务场景、环境风险，动态调整各模块的算力配额。

静态精细作业场景：给 VLA 分配更多算力，提升规划精度与任务合理性，牺牲一部分感知帧率；

动态行走与避障场景：把算力向视觉感知倾斜，提升环境更新频率，保证响应速度；

安全临界场景：全部算力向安全检测与应急控制倾斜，非必要任务全部暂停。

它的目标从来不是让某一个模块性能最优，而是在总算力刚性约束下，实现整体系统的收益最大化。

3. 反直觉的工程哲学：可降级，比不超时更重要

VLA 时代，对实时性的认知必须完成一次更新。

传统实时系统的目标是 “100% 在截止时间内完成”，追求绝对可靠；

而 VLA 实时系统的目标，是 “100% 不出现不可控的超时”—— 我们接受任务可以降质、可以降级、可以简化，但绝对不允许打破底层控制时序，绝对不允许系统失控。

这背后是非常务实的工程哲学：

对人形机器人而言，VLA 决策慢一点、精度差一点、少输出几帧，最多是任务完成效率低一点；但如果因为推理超时导致控制闭环失步、安全机制失灵，后果就是硬件损坏、人机事故。

宁可降质完成，不可超时失控。这是 AI 走进真实物理世界，必须接受的现实，也是工程成熟度的体现。

结尾

当 AI 与实时控制系统深度融合，旧的调度法则正在被改写。

WCET 没有错，只是它只适用于确定性的世界；而 VLA 带来的概率性，逼着我们建立一套新的游戏规则：用刚性底层守住安全底线，用弹性中层承载 AI 波动，用动态调度实现全局最优。

看懂了这套算力约束下的调度悖论，才算真正看懂了人形机器人实时系统的工程精髓 —— 它比拼的从来不是单点的极致性能，而是在刚性约束下，做出最优雅、最务实的权衡。