论文页面 - 克服动态盲区：面向 VLA 模型的无训练节奏与路径校正

来源：https://huggingface.co/papers/2605.11459

摘要

视觉-语言-动作模型在动态环境中存在时间盲区，但一种利用二次优化的无训练校正方法能够同时处理节奏与路径动态，从而提升性能。

视觉-语言-动作（Vision-Language-Action, VLA）模型展现出超越经典控制范式的卓越灵活性与泛化能力。然而，当前大多数主流的 VLA 模型采用单帧观测范式进行训练，这导致它们在结构上对时间动态（temporal dynamics, https://huggingface.co/papers?q=temporal%20dynamics）存在盲区。因此，这些模型在非平稳场景中性能严重下降，即便经过动态数据集的训练或微调也是如此。现有方法要么需要昂贵的重训练，要么面临延迟瓶颈以及动作片段间时间一致性差的问题。我们提出节奏与路径校正（Pace-and-Path Correction），一种无需训练的、闭式推理时操作算子，可封装任意采用分块动作（chunked-action, https://huggingface.co/papers?q=chunked-action）的 VLA 模型。从单一二次成本（quadratic cost, https://huggingface.co/papers?q=quadratic%20cost）出发，联合最小化（joint minimization, https://huggingface.co/papers?q=joint%20minimization）得到一个统一解，该解正交分解为两个不同通道：节奏通道沿规划方向压缩执行，路径通道则施加正交空间偏移，两者共同在分块窗口内吸收所感知的动态。我们在一个全面的诊断基准 MoveBench（旨在将运动作为唯一控制变量）上评估了我们的方法。实验结果表明，我们的框架始终优于最先进的无训练封装方法和动态自适应方法，在纯动态环境以及静态-动态混合环境（static-dynamic mixed environments, https://huggingface.co/papers?q=static-dynamic%20mixed%20environments）中，相较于基础 VLA 模型，成功率绝对提升分别高达 28.8% 和 25.9%。

查看 arXiv 页面 (https://arxiv.org/abs/2605.11459) 查看 PDF (https://arxiv.org/pdf/2605.11459) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.11459)

在你的 agent 中获取此论文：

hf papers read 2605\.11459

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型（0）

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.11459 以从此页面链接。

引用此论文的数据集（0）

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.11459 以从此页面链接。

引用此论文的 Space（0）

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.11459 以从此页面链接。

包含此论文的收藏集（0）

没有包含此论文的收藏集

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从此页面链接。