arXiv cs.AI· Yi Wang, Wendi Chen, Zimo Wen, Han Xue, Xueqi Li, Wenye Yu, Zhijie Chen, Hao Yang, Jun Lv, Chuan Wen, Cewu Lu·· 3 天前AI 评分23
LIFT：用反应式力注入加速 VLA 后训练
Never Too Late for Force: Accelerating VLA Post-Training with Reactive Force Injection
AI 导读
研究团队提出 LIFT（Late Reactive Injection of Force for VLA Post-Training），一种力感知后训练框架，在预训练 VLA 策略旁嫁接反应式动作专家，通过因果力记忆与零初始化交叉注意力注入 6D 末端执行器力，并结合在线 DAgger 循环训练。
正文 · AI 翻译
作者：Yi Wang、Wendi Chen、Zimo Wen、Han Xue、Xueqi Li、Wenye Yu、Zhijie Chen、Hao Yang、Jun Lv、Chuan Wen、Cewu Lu
摘要：预训练的视觉-语言-动作（VLA）策略提供了强大的语言条件操作知识，但它们仍主要由视觉驱动，一旦操作进入接触状态——场景被遮挡、深度模糊，或微小的力误差使执行偏离离线演示分布——就会陷入困境。我们提出 LIFT（Late Reactive Injection of Force for VLA Post-Training），一种力感知的后训练框架，为预训练 VLA 策略添加接触反应能力，同时保持其初始化时的输出不变。LIFT 在原始动作专家旁嫁接一个反应式动作专家，用预训练动作权重初始化它，并通过因果力记忆和零初始化交叉注意力注入最近的 6D 末端执行器力，使动作能够在执行过程中刷新。为解决接触反馈依赖于策略的分布偏移问题，LIFT 进一步将反应式力注入与在线 DAgger 循环耦合，在离线任务对齐数据和人工纠正的在线 rollout 的混合数据上训练。在毛巾折叠、书本插入和河内塔圆环放置任务中，LIFT 比仅视觉的 DAgger 学习更快，达到更高的峰值和最终性能，而消融实验表明，反应式力记忆和在线纠正数据对于稳健的富接触操作都很重要。我们的代码公开于 this https URL
| Comments: | 被 CoRL 2026 接收（Spotlight）。项目页面：this https URL |
| Subjects: | 机器人学（cs.RO）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2607.14236 [cs.RO] |
| （或 arXiv:2607.14236v3 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.14236 arXiv 颁发的 DOI（通过 DataCite） |
提交历史
来自：Yi Wang [查看邮箱]
[v1]
2026年7月15日星期三 18:01:05 UTC（4,698 KB）
[v2]
2026年9月23日星期三 02:03:22 UTC（4,705 KB）
[v3]
2026年10月12日星期一 08:43:08 UTC（4,705 KB）
来源：arXiv cs.AI · arxiv.org