arXiv cs.RO 机器人学· 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·· 2 天前精选AI 评分58
研究揭示 VLA 机器人策略存在视觉接地缺口，任务成功未必遵循指令
Encoded but Not in Control: Revealing the Grounding Gap in Vision-Language Robot Policies
AI 导读
该研究通过保持场景不变的指令干预实验发现，当指令要求抓取另一个可见物体时，被评估的 VLA 策略与世界动作模型（WAMs）大多仍抓取场景偏好的原目标。线性探针能准确恢复被修改的指令目标，说明语言已被编码但很少决定目标选择；注意力分析显示指令 token 对动作生成贡献偏弱，目标 token 注意力仍停留在原物体上。
推荐理由
论文用保持场景不变的指令干预，区分任务成功与真正遵循指令，给出一套可复用的诊断方法。
来源：arXiv cs.RO 机器人学 · arxiv.org