arXiv cs.AI· Chuanke Pang, Junyi Huang, Jianye Fang, Zhijun Zhao, Yaobing Wang, Kun Xu, Xilun Ding·· 10 小时前AI 评分40
InDex：通过意图条件微调让 VLA 模型适配灵巧操作
Bridging the Morphology Gap: Adapting VLA Models to Dexterous Manipulation via Intent-Conditioned Fine-Tuning
AI 导读
研究提出 InDex 框架，用归一化开合信号监督标量抓取意图，分两阶段将并行夹爪 VLA 模型适配到多指灵巧手。在四个仿真任务中，InDex 搭配 π₀.₅ 取得 85.8% 平均任务成功率，比原生策略提升 35.5 个百分点，并在未微调的相似几何物体上达到 69.0%。该方法在三个 VLA 主干和真实世界策略上同样有效，平均成功率从 71.0% 升至 83.0%。
正文 · AI 翻译
摘要：预训练的视觉-语言-动作（VLA）模型为机器人操作提供了语义与空间先验，但其平行夹爪接口使多指接触协调变得隐式。适配这些模型既需要及时的抓取转换，也需要特定具身的手部轨迹。我们提出 InDex，一个以意图为条件的框架，将这两项需求连接起来。由重定向演示导出的归一化开合信号监督一个标量抓取意图，同时保留完整的手部动作监督。阶段 1 学习同步的末端执行器-意图块；阶段 2 以这些预测、视觉-语言上下文和本体感觉为条件，驱动扩散手部解码器。顺序优化先建立上游接口，再以低速率协同适配学习灵巧控制。在四个仿真任务中，采用 $\pi_{0.5}$ 的 InDex 取得 85.8% 的平均任务成功率，将原生策略提升 35.5 个百分点，并在几何形状相似的留出物体上达到 69.0%，且无需微调或重新校准。改进在三个 VLA 骨干网络和单独训练的真实世界策略上同样成立，平均成功率从 71.0% 提升至 83.0%。组件消融和时序干预支持显式抓取意图条件与表达性手部生成的价值。这些结果将臂-手协调确定为将平行夹爪先验适配到灵巧操作中的一个可操作瓶颈。
| 学科： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.12109 [cs.RO] |
| （或 arXiv:2606.12109v3 [cs.RO] 为此版本） | |
| https://doi.org/10.48550/arXiv.2606.12109 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Chuanke Pang [查看邮箱]
[v1]
2026年6月10日星期三 14:03:52 UTC（14,276 KB）
[v2]
2026年7月28日星期二 15:33:03 UTC（18,657 KB）
[v3]
2026年11月4日星期三 07:20:53 UTC（26,552 KB）
来源：arXiv cs.AI · arxiv.org