arXiv Robotics· Haitao Shen, Hanyu Liu, Yihan Lin, Huiping Liu, Junbo Cui, Daoheng Li, Yang Li, Jing Zhang, Wenxin Li, Yuan Yao·· 3 小时前AI 评分24
机器人策略该学什么预测？VLA 学习中的监督目标再思考
What Should Robot Policies Learn to Predict? Rethinking Supervision Targets in Vision-Language-Action Learning
AI 导读
研究构建统一 VLA 框架，用双流多模态扩散 Transformer（MMDiT）加样本级路由器，把每个训练样本显式分配给动作预测或辅助目标。在 LIBERO、CALVIN 和四个真实机器人任务上，同等预算下合适的潜在动作（LA）与未来视觉（FV）监督优于纯动作训练，即使动作预测最多只占一半样本；FV 总体优于 LA，但最强 LA 目标在 CALVIN 上仍有竞争力。
来源：arXiv Robotics · arxiv.org