arXiv cs.AI· Bochen Yang, Lianlei Shan·· 9 天前AI 评分22
PearlVLA：在潜在空间中渐进式精炼具身动作规划
PearlVLA: Progressive Embodied Action-Plan Refinement in Latent Space
AI 导读
PearlVLA 是一个在潜在空间中渐进精炼 VLM 规划方案的 VLA 框架，利用冻结的潜在世界模型（LaWM）预测中间规划的潜在视觉子目标，经 K 轮迭代后一次性输出动作块。该工作还提出 Causal Refinement-Grouped Process-Reward RL 优化潜在精炼过程，在 LIBERO 和 RoboCasa 基准上表现与现有强方法相当。
正文 · AI 翻译
摘要：当前的视觉-语言-动作（VLA）模型面临着高效动作生成与显式推理之间的权衡。直接从视觉-语言主干表示中解码动作可实现低延迟控制，而文本推理、像素级子目标或对已解码动作的世界模型评估虽能改进规划，却会带来显著的延迟和计算成本。我们提出 PearlVLA，一个 VLA 框架，它利用每个中间计划预测后果的反馈，逐步细化由 VLM 导出的潜在计划。PearlVLA 使用一个在无动作视频上预训练的冻结潜在世界模型（LaWM）。在每一轮细化中，当前计划产生一个连续潜在动作码，LaWM 预测相应的潜在视觉子目标。一个未来引导的计划细化器利用该子目标更新计划，因此每次修订都会重塑下一次 LaWM 查询。经过 K 轮后，细化后的计划被一次性传入宿主策略的动作接口，以产生一个动作块。我们进一步引入因果细化-分组过程奖励强化学习，通过比较在同一细化状态下所做计划编辑的更长时域想象未来的奖励，来优化潜在细化。在 LIBERO 和 RoboCasa 基准上的实验表明，PearlVLA 与现有强方法相比具有竞争力。
| 评论： | 21 页，3 幅图。预印本 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.17924 [cs.RO] |
| （或使用 arXiv:2606.17924v2 [cs.RO] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2606.17924 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Bochen Yang [查看电子邮件]
[v1]
2026 年 6 月 16 日星期二 13:38:03 UTC（1,492 KB）
[v2]
2026 年 10 月 8 日星期四 14:24:06 UTC（2,514 KB）
来源：arXiv cs.AI · arxiv.org