arXiv cs.AI· Zixing Lei, Changxing Liu, Yichen Xiong, Minhao Xiong, Yuanzhuo Ding, Zhipeng Zhang, Weixin Li, Siheng Chen·· 3 天前AI 评分38
面向长时程具身智能体：VLAs-as-Tools 与工具对齐的 VLA 模型
Towards Long-horizon Embodied Agents with Tool-Aligned Vision-Language-Action Models
AI 导读
研究者提出 VLAs-as-Tools 策略，由高层 VLM 智能体负责时序推理与全局规划，一组专用 VLA 工具执行局部物理操作，并通过 VLA 工具族接口实现事件触发的重规划。
正文 · AI 翻译
摘要：视觉-语言-动作（VLA）模型是有效的机器人动作执行器，但由于扩展的闭环规划与多样化物理操作的双重负担，它们在长时程任务上仍然受限。因此，我们提出 VLAs-as-Tools，一种将这一负担分配到负责时序推理的高层视觉语言模型（VLM）智能体和一整套用于多样化局部物理操作的专用 VLA 工具上的策略。VLM 负责场景分析、全局规划和恢复，而每个 VLA 工具执行一个有界的子任务。为了在长时程任务中紧密耦合智能体规划与 VLA 工具执行，我们引入了一种 VLA 工具族接口，该接口暴露显式的工具选择和执行中进度反馈，从而无需智能体持续轮询即可实现高效的事件触发式智能体重规划。为了获得能够忠实遵循智能体调用的多样化专用 VLA 工具，我们进一步提出工具对齐后训练（TAPT），它为指令遵循构建调用对齐的训练单元，并采用工具族残差适配器以实现高效的工具专门化。在五个模拟基准上，VLAs-as-Tools 将 pi05 的成功率平均提升 8.9 个百分点，并将调用保真度在 Non-biased Rate 上提升 15.0 个百分点。在三个真实世界 Franka 任务上，在匹配数据和算力的情况下，它将成功率从 16.7% 提升至 58.3%。代码将发布。
| 学科： | 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:2605.13119 [cs.RO] |
| （或 arXiv:2605.13119v2 [cs.RO] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2605.13119 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Changxing Liu [查看邮箱]
[v1]
2026年5月13日星期三 07:40:34 UTC（2,555 KB）
[v2]
2026年10月12日星期一 18:03:31 UTC（6,124 KB）
来源：arXiv cs.AI · arxiv.org