VLA / 视觉-语言-动作模型

Track4Action: Distilling World-Centric 3D Tracker into Vision-Language-Action Policies

Track4Action：将以世界为中心的3D跟踪器提炼为视觉-语言-动作策略

Chenyi Wang, Xinkai Wang, Bokai Lin, Jialin Tian, Fucheng Zhang, Cewu Lu, Lixin Yang

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(abstract,abstract_cn)；分类 cs.RO

AI总结 Track4Action框架将以世界为中心的冻结3D跟踪器提炼为视觉-语言-动作策略，在多个机器人任务基准上显著提升性能，验证了动作对齐的3D跟踪器特征作为监督的有效性。

TrustVLA: Mechanism-Guided Inference-Time Defense Against Vision-Language-Action Backdoors

TrustVLA：针对视觉-语言-动作后门的机制引导推理时防御

Pinhan Fu, Xianda Guo, Xuetao Li, Wenke Huang, Ruilin Wang, Weiheng Zhao, Wei Sui, Mang Ye

机构 * School of Computer Science, Wuhan University（武汉大学计算机科学学院） ； D-Robotics（D-机器人公司） ； HUST（华中科技大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(abstract,abstract_cn)；分类 cs.RO

AI总结 研究视觉-语言-动作模型中毒后门问题，通过两种攻击识别出紧凑因果足迹机制，基于此提出TrustVLA防御，能检测异常证据演变、定位支持并恢复观测，在多评估中降低攻击成功率且保持干净任务性能。

SEAM: Smooth Execution of Action-Chunked Motion for Vision-Language-Action Policies

SEAM：用于视觉-语言-动作策略的动作块运动平滑执行

Dijia Zhan, Xuemiao Xu, Jinyi Li, Jie Tang

机构 * South China University of Technology（南方科技大学） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(abstract,abstract_cn)；分类 cs.RO

AI总结 研究视觉-语言-动作策略中动作块执行的多模态分叉问题，提出无训练推理时的SEAM方法，利用同步执行见解，通过速度引导损失转向机制减少边界抖动和块过渡不连续性。

Comments 8 pages, 4 figures, 5 tables

EventVLA: Event-Driven Visual Evidence Memory for Long-Horizon Vision-Language-Action Policies

EventVLA: 面向长程视觉-语言-动作策略的事件驱动视觉证据记忆

Ganlin Yang, Zhangzheng Tu, Yuqiang Yang, Sitong Mao, Junyi Dong, Tianxing Chen, Jiaqi Peng, Jing Xiong, Jiafei Cao, Jifeng Dai, Wengang Zhou, Yao Mu, Tai Wang

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Dalian University of Technology（大连理工大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(abstract,abstract_cn)；分类 cs.CV

AI总结 针对长程机器人操作中记忆瓶颈问题，提出EventVLA框架，通过动态关键帧证据记忆模块自主捕获任务关键视觉事件，在17个模拟和4个真实任务中平均成功率提升40%。

APT: Action Expert Pretraining Improves Instruction Generalization of Vision-Language-Action Policies

APT: 动作专家预训练提升视觉-语言-动作策略的指令泛化能力

Kechun Xu, Zhenjie Zhu, Anzhe Chen, Rong Xiong, Yue Wang

机构 * Zhejiang University（浙江大学） ； Zhejiang Humanoid Robot Innovation Center（浙江人形机器人创新中心） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(abstract,abstract_cn)；分类 cs.RO

AI总结 针对连续动作专家模型对分布外语言指令泛化差的问题，提出APT两阶段训练方法，先预训练动作专家作为视觉-动作先验，再通过门控融合注入语言，显著提升泛化性能。

HAF: Adapting Generalist VLAs to Humanoid Whole-Body Loco-manipulation via Hierarchical Action Flow and Spectral Latent RL

HAF：通过分层动作流与谱潜在线性RL将通用VLAs适配至人形机器人全身运动操作

Langzhe Gu, Chengkai Hou, Meng Li, Xinhua Wang, Jiaming Liu, Xinyuan Lv, Bowei Zhang, Shuanghao Bai, Guangrun Li, Jingyang He, Gaole Dai, Ziluo Ding, Zhiyuan Xu, Kuan Cheng, Jian Tang, Zhengping Che, Shanghang Zhang

机构 * Xi’an Jiaotong University（西安交通大学） ； Peking University（北京大学） ； Nankai University（南开大学） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO、cs.AI

AI总结 研究针对通用VLAs难以适配人形机器人全身运动操作的问题，提出HAF框架，通过分层动作流生成器与潜空间RL流水线实现高效迁移优化，在7项任务上性能优于单阶段VLA基线。

Comments Project page: https://grange007.github.io/HAF

G0.5: One Autoregressive Stream for Robot Reasoning and Action

G0.5：用于机器人推理与动作的单自回归流

Yicheng Liu, Zibin Dong, Baijun Ye, Tianyuan Yuan, Tao Jiang, Anqi Yang, Shicheng Cao, Haonan Liu, Yue Sun, Zihan Guo, Xiao Liu, Dong Ke, Changxun Pan, Chenru Wu, Tailai Cheng, Xiaoshu Ren, Xinlei Zhang, Jianning Cui, Zijie Zhao, Haoyu Zhang, Kaiming Xu, Haodong Yang, Bowen Zhang, Jiahui Niu, Shaoting Zhu, Shiduo Zhang, Hang Zhao

机构 * Galaxea（星系科技（Galaxea）） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出G0.5，一种单自回归流的VLA模型，通过三个关键组件实现推理与动作统一，在7项基准中超越现有最优模型，展现出良好的泛化与指令跟随能力。

World-to-Wrist: Task-Conditioned Future Wrist Modeling for Fine-Grained Robot Manipulation

世界到手腕：面向精细机器人操作的任务条件未来手腕建模

Yuhao Pan, Haosong Peng, Zhengshen Zhang, Zhengyang Yan, Yalun Dai, Fushuo Huo, Chujie Wang, Tianyu Qi, Xiucheng Wang, Nan Cheng, Wenchao Xu

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学） ； Sun Yat-sen University（中山大学） ； Xidian University（西安电子科技大学） ； Southeast University（东南大学） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO、cs.CV

AI总结 本研究提出W2-VLA模型，通过任务条件未来手腕建模结合W2-CoT辅助监督，在LIBERO等数据集及真实任务中提升了机器人精细接触敏感操作能力，动作生成速率超80Hz。

HRIBench: Benchmarking Interaction-Centric Human-Robot Collaboration

HRIBench：以交互为中心的人机协作基准测试

Chang Liu, Jiawei Zhang, Tao Zhang, Ye Wang, Hongyu Zhou, Qin Jin

机构 * Renmin University of China（中国人民大学） ； Beijing Normal University（北京师范大学） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO、cs.LG

AI总结 研究针对当前VLA基准未充分考量人机交互结构的问题，引入HRIBench基准，它以结构化场景脚本定义协作任务与交互角色，含多项可解释指标。通过实验表明该基准能暴露机器人策略局限，提升协作性能，推动以交互为中心的机器人学习。

In-Context World Modeling for Robotic Control

面向机器人控制的上下文世界建模

Siyin Wang, Junhao Shi, Senyu Fei, Zhaoyang Fu, Li Ji, Jingjing Gong, Xipeng Qiu

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Tongji University（同济大学） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO、cs.CV

AI总结 提出上下文世界建模（ICWM）框架，通过任务无关的交互历史推断系统变量，使机器人策略无需参数更新即可适应新配置，在仿真和真实实验中显著优于标准VLA基线。

Pose6DAug: Physically Plausible Multi-view Object Swapping for Robot Data Augmentation

Pose6DAug: 用于机器人数据增强的物理合理多视图物体替换

Jonghoon Lee, Seong Hyeon Park, Byungwoo Jeon, Minha Lee, Jinwoo Shin

机构 * KAIST（韩国科学技术院） ； Korea University（韩国大学） ； RLWRLD 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO、cs.LG

AI总结 提出Pose6DAug，一种基于失败驱动的数据增强框架，通过3D网格和6D姿态轨迹替换成功轨迹中的物体，生成多视图一致的物理合理演示，无需额外数据收集，在新型物体上提升VLA策略成功率16.5%。

WeaveLA: Event Driven Cross-Subtask Latent Memory Weaving for Repetitive Robot Manipulation

WeaveLA: 面向重复机器人操作的基于事件驱动的跨子任务潜在记忆编织

Shoujing Zhu, Zhenyang Liu, Fungmiu Wang, Jiafeng Wang, Bo Yue, Guiliang Liu, Simo Wu, Xiangyang Xue, Taiping Zeng

机构 * Fudan University（复旦大学） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO、cs.CV

AI总结 针对短窗口VLA策略缺乏跨子任务信息传递的问题，提出WeaveLA，通过事件触发将完成子任务压缩为潜在令牌并注入下一子任务的动作生成路径，在保持基础策略短窗口接口的同时实现轻量级跨子任务通道，在困难重复任务上成功率从0%提升至47.8%。

MotionVLA: Vision-Language-Action Model for Humanoid Motion

MotionVLA：面向人形运动的视觉-语言-动作模型

Nonghai Zhang, Siyu Zhai, Yanjun Li, Zeyu Zhang, Zhihan Yin, Yandong Guo, Boxin Shi, Hao Tang

机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； AI 2 Robotics 纠错

专题命中 VLA模型 ：vision-language-action(title)；action model(title)；分类 cs.RO、cs.CV

AI总结 针对人形运动生成中低频姿态与高频物理信号量化不匹配的问题，提出双流频率分词器DSFT和基于Qwen3.5的MotionVLA模型，在HumanML3D和MBench上显著提升多样性一致性和运动条件一致性。

Surgical WAM: A World-Action Model for Data-Efficient Surgical Robot Learning

Surgical WAM：面向数据高效型手术机器人学习的世界-动作模型

Wenrui Bao, Tianyun Jiang, Zhiben Chen, Ser-Nam Lim, Peter D. Peng, Yuzhang Shang

专题命中 VLA模型 ：action model(title,abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出Surgical WAM模型，通过无动作视频预训练结合带动作标注数据微调，在四项模拟手术操纵任务中将平均成功率从63.5%提至77.8%，为数据高效的手术机器人学习提供了可行方案。

FACT: Failure-Aware Causal Training for World-Action Models

FACT：面向世界-动作模型的故障感知因果训练方法

Quanquan Peng, Yutong Liang, Rui Yan, Nicklas Hansen, Xiaolong Wang

机构 * University of California San Diego（加州大学圣迭戈分校） 纠错

专题命中 VLA模型 ：action model(title,abstract)；分类 cs.RO、cs.AI、cs.LG

AI总结 FACT是一种故障感知因果世界-动作模型，通过将错误动作转化为训练目标，在模拟与真实双臂操作任务中提升了世界-动作模型的性能，减少了成功偏差导致的未来幻觉。

Faster-WAM: Do World Action Models Need Deep Action Modules?

Faster-WAM：世界动作模型需要深度动作模块吗？

Liheng Ma, Rui Heng Yang, Zhanguang Zhang, Mateo Clemente, Ziwen Hu, Tongtong Cao, Yingxue Zhang

机构 * Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； Huawei Celia Team（华为Celia团队） ； Labs（2012实验室） 纠错

专题命中 VLA模型 ：action model(title,abstract)；分类 cs.RO、cs.AI、cs.LG

AI总结 针对现有WAMs动作模块深度绑定视频骨干网络导致延迟高的问题，提出以视频为中心的DoT架构，构建Faster-WAM，实现低延迟、高性能与强泛化，较Fast-WAM提速3.2倍。

Geometric Action Model for Robot Policy Learning

几何动作模型用于机器人策略学习

Jisang Han, Seonghu Jeon, Jaewoo Jung, René Zurbrügg, Honggyu An, Tifanny Portela, Marco Hutter, Marc Pollefeys, Seungryong Kim, Sunghwan Hong

机构 * KAIST AI（韩国科学技术院人工智能学院） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） 纠错

专题命中 VLA模型 ：action model(title,abstract)；vision-language-action(abstract)；分类 cs.RO、cs.CV、cs.LG

AI总结 提出几何动作模型(GAM)，通过重用预训练几何基础模型(GFM)作为共享骨干，实现语言条件下的操作策略，在仿真和真实机器人任务中优于现有方法。

Comments Project page: https://cvlab-kaist.github.io/Geometric-Action-Model/

Reuse Before You Retrieve: Diagnosing Headroom and Complementarity for Test-Time Augmentation of Embodied Multimodal Policies

检索前先复用：诊断具身多模态策略测试时增强的余量与互补性

Yuhwan Jeong, Kuk-Jin Yoon

机构 * KAIST（韩国科学技术院） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO

AI总结 该研究提出通过可恢复余量与检索互补性两个因素，为具身多模态冻结 VLA 策略的测试时增强选择采样或检索干预，在 LIBERO 上成功提升最高 21.0 个百分点，且可迁移至其他机器人与环境。

Comments Accepted to ECCV 2026 workshop

Teach and Grow: An Agent-Centered Architecture for General Robot Learning

教学与成长：面向通用机器人学习的智能体中心架构

Chang Nie, Zhe Liu, Hesheng Wang

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） 纠错

专题命中 VLA模型 ：VLA(abstract,abstract_cn)；vision-language-action(abstract)；action model(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 该研究提出TGL智能体中心架构，通过将演示转化为可复用技能块，无需特定任务再训练即可实现通用机器人学习，在LIBERO评估中达SOTA性能，还提出相关缩放定律假设。

Policy-Induced Hand Priors in Humanoid Dual-Arm Manipulation: Diagnosing and Mitigating Initial-Pose Dependence

人形双臂操纵中的策略诱导手部先验：诊断与缓解初始位姿依赖

Chaeyeon Jung, Juyoun Park

机构 * Center for Humanoid Research, Korea Institute of Science and Technology (KIST)（韩国科学技术研究院类人机器人研究中心） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO

AI总结 本研究针对人形双臂操纵中VLA策略的初始位姿依赖问题，量化策略诱导手部先验，发现扩大训练数据初始位姿覆盖可提升稳健性，为缓解该依赖提供方法。

DriveVLA-M0: Failure-Aware Memory Augmentation for Autonomous Driving

DriveVLA-M0：面向自动驾驶的故障感知记忆增强方法

Zebin Xing, Yupeng Zheng, Qiang Chen, Linbo Wang, Yichen Zhang, Pengxuan Yang, Junli Wang, Deheng Qian, Xiaoqing Ye, Junyu Han, Yifeng Pan, Qichao Zhang, Dongbin Zhao

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Chongqing Chang’an Technology Co., Ltd.（重庆长安科技有限公司） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.CV

AI总结 本文提出DriveVLA-M0，一种具备故障感知潜在记忆的检索增强型VLA模型，通过故障案例记忆与针对性修正机制，在NAVSIM基准上优于现有方法，实现自动驾驶性能提升。

Skills in Weights, Memory in Code: Hybrid Learning for Memory-Dependent Robot Manipulation

权重中的技能，代码中的记忆：面向依赖记忆的机器人操作的混合学习

Yunhao Zhao, Zhenyang Ni, Haoyang Chen, Ruohan Zhang, Qi Zhu

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO

AI总结 针对现实机器人操作的非马尔可夫性，提出混合学习框架 HyMeS，结合编码智能体与马尔可夫 VLA，在 RoboMemArena 上显著提升操作成功率，实现数据高效的组合泛化。

Comments 9 pages, 4 figures, and 3 tables

Trajectory Divergence Horizon Decision for Reliable Dual-Arm Surgical Subtask Manipulation

可靠双臂手术子任务操作的轨迹发散 horizon 决策

Mingwu Su, Guankun Wang, Jinsong Lin, Rulin Zhou, Ziyi Hao, Zhiwei Fang, Huxin Gao, Jiewen Lai, Jiazheng Wang, Fan Zhang, Hongliang Ren

机构 * The Chinese University of Hong Kong (CUHK)（香港中文大学） ； Huawei Technologies Co. Ltd.（华为技术有限公司） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO

AI总结 针对现有VLA策略在手术操作中易累积误差的问题，提出TDHD机制，构建双臂手术基准并收集600个演示，实验显示其可提升器械和组织操作的成功率。

Comments 8 pages, 3 figures

Beyond Flat Policies: Hierarchical Post-Training for Embodied Agents in Robotic Manipulation

超越扁平策略：面向机器人操作具身智能体的分层后训练

He Kong, Zengjue Chen, Qi Wang, Qianli Xing, Runliang Niu, Peidong Liu, Jiawei Li, Shiqi Wang, Yi Chang

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO

AI总结 针对现有VLA模型扁平策略难以处理长时程操作的问题，提出HiRoC分层后训练框架，通过解耦规划与执行并对齐分布，在机器人操作基准上取得优于强基线的性能。

Safe Vision Language Action Models via Barrier Enhanced Flow Matching

基于障碍增强流匹配的安全视觉语言动作模型

Kasra Sinaei, Hung-Chieh Wu, Donald Ebeigbe

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

专题命中 VLA模型 ：vision language action(title)；action model(title)；分类 cs.RO

AI总结 该研究提出将流匹配生成模型与控制障碍函数安全保证结合的模块化推理框架，通过修改流匹配去噪过程实现本质安全，在不降低模型成功率的前提下完成安全验证。

Representation-Aligned Tactile Grounding for Contact-Rich Robotic Manipulation

用于接触丰富的机器人操作的表示对齐触觉基础

Ruilin Chen, Jingkai Jia, Tong Yang, Xinyu Zhou, Qiao Sun, Jiangwei Zhong, Shizeng Zhang, Nuo Chen, Bailin He, Wei Li, Wenqiang Zhang

机构 * Shanghai Key Lab of Intelligent Information Processing, College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院智能信息处理上海市重点实验室） ； College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Lenovo CTO Organization（联想首席技术官组织） ； Nanyang Technological University（南洋理工大学） ； TeleAl, China Telecom（中国电信天翼人工智能公司） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO

AI总结 研究接触丰富的机器人操作中，针对VLA策略不同表示作用下触觉监督应用位置不明的问题，通过线性探针分析找到可预测未来触觉状态的中间动作专家特征，引入LTP，实验证明表示对齐的触觉基础效果更佳。

UESF-Bench: Benchmarking and Probing for Unified Embodied Seeking and Following

UESF-Bench：统一的具身寻找与跟随的基准测试与探究

Kun Yu, Jianhua Yang, Yixiang Chen, Changwei Wang, Hongyuan Yu, Yan Huang, Fushuo Huo, Ya Jing, Zhumin Chen, Keji He

机构 * Shandong University（山东大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Qilu University of Technology（齐鲁工业大学） ； Xiaomi Inc（小米公司） ； Beijing University Of Technology（北京工业大学） ； Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.AI

AI总结 研究针对现有具身智能体语言引导人类跟随基准测试的局限，引入UESF-Bench基准，提出SeekFollow-VLA框架，可处理语义引导探索等任务，实验显示该框架在单人和多人环境中比基线有明显改进，为统一具身寻找与跟随建立基线。

NativeMEM: Native Memory Compression for Long-Horizon Robotic Manipulation

NativeMEM：用于长期机器人操作的原生内存压缩

Ziye Wang, Modi Shi, Chaojun Ni, Jiazhi Yang, Mengdi Li, Zhizhong Su, Tianwei Lin, Hongyang Li

机构 * The University of Hong Kong（香港大学） ； Beihang University（北京航空航天大学） ； Peking University（北京大学） ； The Chinese University of Hong Kong（香港中文大学） ； Horizon Robotics（地平线机器人） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO

AI总结 研究如何让预训练VLA模型高频更新时保留长期视觉历史且高效。提出NativeMEM策略，用原生内存压缩编码，通过开发分词器对齐内存令牌与策略，该方法在模拟和真实机器人实验中效果好，数据效率高。

Optimal Transport Q-Learning for Flow Policy Steering and Acceleration

用于流策略引导和加速的最优传输Q学习

Andreas Sochopoulos, Esmeralda S. Whitammer, Nikolaos Tsagkas, João Moura, Michael Gienger, Sethu Vijayakumar

机构 * University of Edinburgh（爱丁堡大学） ； Honda Research Institute Europe（本田欧洲研究院） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision language action(abstract)；分类 cs.RO

AI总结 针对流策略性能优化难题，提出最优传输Q学习（OTQL），利用机器人经验，通过优势加权条件最优传输流匹配微调加速流策略，提升单任务和VLA策略成功率，减少推理步骤数。

Direct Action-Head Injection of A Grounded 3D Point Unlocks Spatial and Task Generalization

直接动作头注入接地3D点实现空间与任务泛化

Shiang-Feng Tsai, Jin-Cheng Jhang, Yen-Ling Tai, Jia-Hong Lai, Shih-Yun Wong, KangTung-Hsu, Yi-Ting Chen

机构 * National Tsing Hua University（国立清华大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO

AI总结 提出轻量级模块，将3D点表示的接地信号通过自适应层归一化直接注入VLA模型的动作头，在LIBERO-PRO上显著提升空间和任务泛化性能。