VLA-Δ：让视觉语言动作模型学习物理状态变化

论文《VLA-Δ》提出让视觉语言动作模型直接学习当前状态到未来状态的物理变化，并将状态转移作为训练目标，关注价值在于减少模型只记忆观察与动作对应关系的倾向。

• 论文于2026年10月15日提交，作者构建了包含任务语义和视觉运动变化标注的大规模预训练数据集。
• 推理时模型仍从当前观察直接生成动作，论文称这一机制不会增加额外推理步骤。
• 作者报告模型在LIBERO和RoboTwin上达到具有竞争力的结果，并在真实机器人实验中超过π₀.₅。
• 这些结论依赖数据集构造、机器人平台、任务划分和评测协议；摘要未给出完整绝对分数和统计波动。
• 影响/看点：显式学习物理状态变化可能帮助机器人控制模型提升跨场景泛化，但能否改善真实部署，取决于状态标注质量、传感器差异和未见任务中的误差恢复能力。
• 资料依据:
• VLA-Δ论文（2026-10-15）：arXiv论文摘要与提交记录：https://arxiv.org/abs/2610.21306
• VLA-Δ代码仓库（2026-10-15）：论文提供的官方GitHub项目：https://github.com/ZJU-OmniAI/VLA-Delta

本内容由 AI 生成，仅供参考，请注意甄别