@svlevine：要想让机器人做好一件事，你需要知道如何与它对话。如果你不会，你可以学习，通过Semanti…
摘要
本文介绍了语义动作强化学习（Semantic Action RL），它通过对视觉-语言-动作（VLA）提示进行强化学习，使机器人能够在现实世界中快速学习新任务。
查看缓存全文
缓存时间: 2026/07/03 18:39
如果你想让机器人把一件事做好，你需要知道如何与它沟通。如果你还不会，没关系，你可以通过语义动作强化学习（Semantic Action RL）来学会！在我们的论文中，@JagdeepBhatia8、@ajwagenmaker 和 @verityw_ 展示了如何通过 VLA 提示上的强化学习让机器人掌握新任务，并在现实世界中实现闪电般的快速学习！https://t.co/McHnRxCTQ4
相似文章
RoboSemanticBench：诊断VLA模型动作预测中的语义基础
RoboSemanticBench 是一个基准测试，用于诊断视觉-语言-动作模型在动作预测中的语义基础，揭示机器人虽然能够抓取物体，但无法根据指令语义选择语义上正确的目标。
AR-VLA: 面向视觉-语言-动作模型的真正自回归动作专家
提出了AR-VLA，一个自回归动作专家，它通过长期记忆生成连续的、具有上下文感知能力的机器人策略训练的动作序列，相比反应式VLA模型，提高了轨迹平滑度和任务成功率。
InSight：通过可操控的VLA实现自主技能获取
InSight提出了一种框架，用于在视觉-语言-动作（VLA）模型中实现自主技能获取。该框架通过在原始动作层面实现可操控性，并利用VLM引导的数据飞轮生成演示，从而在没有人类演示的情况下完成诸如翻转方块和倒水等操作任务。
机器人需要的不仅仅是VLA和世界模型
本文立场论文认为，推进机器人智能需要将非结构化的行为数据通过专门的接口进行整合，用于标注、具身映射、世界建模和奖励推断，而不是仅仅依赖扩展视觉-语言-动作（VLA）模型和世界模型。
IntentVLA: 针对混叠机器人操作的短期意图建模
IntentVLA 是一种历史条件视觉-语言-动作框架，通过从视觉观察中编码短期意图来提高机器人模仿学习的稳定性，解决了部分可观察性和模糊观察带来的挑战。它还引入了 AliasBench，这是一个用于评估此类方法的模糊感知基准。