arXiv cs.AI· Yuan Xu, Youheng Shi, Chengyang Li, Wentao Zhu, Yizhou Wang·· 11 小时前AI 评分38
机器人动作表示的语义锚定方法提升 VLA 模型泛化能力
Semantic Anchoring for Robotic Action Representations
AI 导读
研究提出一种即插即用的语义锚定方法，将 VLA 模型的动作表示锚定到语义流形，并拆分为共享语义通道与私有通道，推理时全部丢弃、不改变部署模型。该方法在多个 VLA 骨干和仿真、真实基准上验证，真实分布内任务最高提升 18.7%，分布外泛化最高提升 21.5%。系统探测还发现，预训练编码器的语义结构会在微调中退化，其质量与任务成功率和分布外泛化同步。
正文 · AI 翻译
摘要：视觉-语言-动作（VLA）模型从预训练的视觉-语言模型中继承了丰富的语义表示，然而在有限的机器人演示数据上微调会破坏这种结构并削弱泛化能力。由此产生一个根本性问题：什么才构成良好的动作表示？受镜像神经元理论中观察与执行共享意图层面编码这一洞见的启发，我们考察机器人的动作表示是否保留了预训练编码器所捕获的语义结构。系统性探测证实，这种结构在微调过程中会逐渐侵蚀，且其质量与任务成功率和分布外泛化能力均同步。我们进一步提出一种即插即用的方法，将动作表示锚定到语义流形上，同时把表示分解为共享语义通道和私有通道，这些在推理时全部丢弃，部署的模型保持不变。在仿真和真实世界基准上针对不同的 VLA 骨干网络进行验证，我们的方法在真实世界分布内任务上最高提升 +18.7%，在分布外泛化上最高提升 +21.5%。
| 评论： | 已被 CoRL 2026 接收。项目页面：this https URL |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2607.13597 [cs.RO] |
| （或 arXiv:2607.13597v3 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.13597 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuan Xu [查看邮箱]
[v1]
2026年7月15日星期三 08:45:15 UTC（3,863 KB）
[v2]
2026年7月18日星期六 04:17:04 UTC（3,863 KB）
[v3]
2026年10月23日星期五 17:10:14 UTC（4,034 KB）
来源：arXiv cs.AI · arxiv.org