arXiv cs.AI· Pham Tri Quang, Bao-Ngoc Dao, Minh Duc Nguyen, Duc-Duy Nguyen, Hung T. Ho, Linh Dang Le, Trong-Bao Ho, Thien-Loc Ha, Tan Q. Nguyen, Tuan Dam, Vu N. Duong, Daniel Sonntag, Ngan Le, Khoa D. Doan, Jan Peters, An Thai Le, Duy M. H. Nguyen, Vien Anh Ngo·· 12 小时前AI 评分34
Retrieve to Act（R2A）：用运动基元图检索提升 VLA 执行鲁棒性
Retrieve to Act: Motion Primitive Graph Retrieval for Robust VLA Execution
AI 导读
研究者提出测试时扩展框架 Retrieve to Act（R2A），将 OOD 鲁棒性问题转化为几何运动基元检索问题：把成功训练演示构建为离线时空运动基元图，推理时用查询相关的 Graph Neural Network 定位机器人当前执行状态并检索结构兼容的未来运动基元，再经学习到的逐维门控机制与冻结 VLA 的预测动作融合。
正文 · AI 翻译
作者：Pham Tri Quang、Bao-Ngoc Dao、Minh Duc Nguyen、Duc-Duy Nguyen、Hung T. Ho、Linh Dang Le、Trong-Bao Ho、Thien-Loc Ha、Tan Q. Nguyen、Tuan Dam、Vu N. Duong、Daniel Sonntag、Ngan Le、Khoa D. Doan、Jan Peters、An Thai Le、Duy M. H. Nguyen、Vien Anh Ngo
摘要：视觉-语言-动作（VLA）策略展现出卓越的语义泛化能力，但在执行过程中仍极易受到分布外（OOD）视觉偏移的影响。现有的测试时方法试图抑制虚假视觉线索，却从根本上忽视了策略自身训练经验中蕴含的丰富且未受污染的动力学先验。我们提出 Retrieve to Act（R2A），一个测试时扩展框架，将 OOD 鲁棒性纯粹建模为几何运动基元检索问题。R2A 通过将成功的训练演示组织为离线时空运动基元图，绕开了脆弱的视觉特征。在推理时，一个依赖查询的图神经网络在该图中动态定位机器人正在进行的执行过程，检索结构兼容的未来运动基元。随后，这些检索到的几何先验通过一个学习到的逐维门控机制与冻结 VLA 的预测动作无缝协调，自适应地纠正错误的空间轨迹，同时保留策略的局部反应能力。在三种最先进的 VLA 架构 GR00T N1.7、$\pi_{0.5}$ 和 StableVLA 上的大量实验表明，R2A 能持续且显著地增强对多种上下文扰动的鲁棒性。R2A 在仿真基准（LIBERO-Plus、RoboTwin2.0-Plus）中实现了最高 +12% 的绝对成功率提升，在真实世界部署中实现了 +40% 的提升，且无需对基础策略进行任何微调。项目页面：this https URL
| 评论： | 20 页，9 幅图，7 张表 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用格式： | arXiv:2610.37215 [cs.RO] |
| （或 arXiv:2610.37215v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37215 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Tri Quang Pham [查看邮箱]
[v1]
2026 年 10 月 27 日星期二 13:28:33 UTC（12,387 KB）
来源：arXiv cs.AI · arxiv.org