arXiv · 机器人与计算机视觉· Hyun Joe Jeong, Gokul Swamy, Andrea Bajcsy·· 2026-10-19AI 评分75
学习对 VLA 说什么:一种无害的视觉语言动作模型引导框架
Learning What to Say to Your VLA: Mostly Harmless Vision Language Action Model Steering
AI 导读
针对视觉语言动作模型指令映射脆弱且难以可靠执行的问题,作者提出一种无需微调预训练模型的交互式搜索框架。该方法将优化后的语言序列蒸馏为测试时语言反馈策略,并引入改进头预测引导效果,通过共形化方法防止在分布外场景下性能下降。实验显示,在仿真环境中任务成功率提升 24.7%,硬件实验中提升 65.0%。
来源:arXiv · 机器人与计算机视觉 · arxiv.org