跳到正文
arXiv · 机器人与计算机视觉· Min Lin, Bokai Zhou, Jianqi Lin, Kaiyuan Yang, Yicheng Chang, Junjie Yu, Xiaofan Liu, Jianhua Han, Rui Li, Shen Zhao, Xiaodan Liang·· 2026-10-12AI 评分75

超越动作:面向视觉语言动作模型的未来自标学习

Beyond Actions: Learning Future Operation Targets for Vision-Language-Action Models

AI 导读

本文介绍了一种名为 AFCE 的方法,将 VLA 策略的预测目标从单纯的动作片段转向未来物理效果(Effect)。该方法利用离线构建的效果令牌和流匹配模型,结合状态条件解码器生成可执行动作。在 DexJoCo 基准测试中,AFCE 整体成功率达 50.97%,分别比 pi_0.5 和 UVT 提升 11.82 和 15.21 个百分点,并在所有五项双臂任务中领先,验证了效果监督在灵巧操作中的价值。

来源:arXiv · 机器人与计算机视觉 · arxiv.org