ViDAL：以视觉动态为锚的VLA动作隐空间

Yuan Xu 等提出 ViDAL，一种以未来场景视觉动态为锚的连续动作隐空间方法，通过训练 Action VAE 重建动作块并将隐变量与未来场景动态对齐，可作为即插即用接口兼容多种 VLA 架构。 作者称该方法在 LIBERO 上以 98.1% 平均成功率超过对比基线；在 RoboTwin 2.0 的 50 项双臂任务上，将多任务 π₀.₅ 策略成功率从 54.3% 提升至 65.5%（Clean）、33.2% 提升至 43.1%（Random）；在真实单臂 Franka 和双臂 ARX 平台上分别取得 20.0% 和 23.4% 的绝对成功率增益。

AI 根据报道生成 · 1 天前更新