arXiv cs.AI· Min Lin, Bokai Zhou, Jianqi Lin, Kaiyuan Yang, Yicheng Chang, Junjie Yu, Xiaofan Liu, Jianhua Han, Rui Li, Shen Zhao, Xiaodan Liang·· 6 天前AI 评分26
AFCE：为视觉-语言-动作模型学习未来操作目标
Beyond Actions: Learning Future Operation Targets for Vision-Language-Action Models
AI 导读
研究提出 Action–Future Coupled Effect Learning（AFCE），让 VLA 策略以未来物理 Effect 为主要预测目标，而非直接预测动作块。
正文 · AI 翻译
作者：Min Lin、Bokai Zhou、Jianqi Lin、Kaiyuan Yang、Yicheng Chang、Junjie Yu、Xiaofan Liu、Jianhua Han、Rui Li、Shen Zhao、Xiaodan Liang
摘要：动作规定了机器人应执行什么，但并未描述这些命令将达成什么。视觉-语言-动作（VLA）策略仍然主要通过从图像、语言和状态预测动作块来学习。我们提出动作--未来耦合效果学习（AFCE），它将基于未来的物理效果作为策略的主要预测目标。离线分词器从演示动作、实际机器人响应和稀疏视觉过渡中构建按时间排序的效果 token。重建目标鼓励表示保留可执行细节和观察到的物理变化。一个流匹配 VLA 从当前图像、指令和机器人状态预测效果，而一个状态条件解码器将其转换为动作块。特定于具身形态的接口允许单臂和双臂任务共享效果模型。在 DexJoCo 上，AFCE 实现了 $50.97\%$ 的总体成功率，分别比 $\pi_{0.5}$ 和 UVT 提高了 11.82 和 15.21 个百分点。它在全部五个双手任务上均领先，凸显了效果监督对于协调灵巧操作的价值。项目页面见 此 https URL。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.13212 [cs.RO] |
| （或 arXiv:2610.13212v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13212 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Min Lin [查看电子邮件]
[v1]
2026年10月9日星期五 08:29:46 UTC（5,434 KB）
来源：arXiv cs.AI · arxiv.org