跳到正文
arXiv · 机器人与计算机视觉· Shaohan Jiang, Jiahang Cao, Qiduo He, Fengting Deng, Kun Wu, Jingkai Sun, Jiaxu Wang, Qiang Zhang, Qihao Zheng, Chunfeng Song, Ping Luo, Andrew F. Luo·· 2026-10-06精选AI 评分82

Encoded but Not in Control:揭示视觉语言机器人策略中的 grounding gap

Encoded but Not in Control: Revealing the Grounding Gap in Vision-Language Robot Policies

AI 导读

该论文通过场景保持的指令干预实验,发现 VLA 和世界动作模型(WAM)在仿真与实机中虽能成功执行任务,却常忽略用户指令而选择场景偏好的原始目标。线性探针显示指令被编码但难以控制动作生成,注意力分析证实了视觉 grounding 不匹配问题。研究提出了一套诊断框架,为衡量策略是否真正遵循意图变化提供了具体标准。

推荐理由

研究揭示 VLA 与 WAM 存在指令编码与控制脱节,提出基于场景干预的诊断框架以评估真实意图遵循能力。

来源:arXiv · 机器人与计算机视觉 · arxiv.org