VLA-Corrector：一种用于自适应动作视野的轻量级检测与纠正推理框架

Hugging Face Daily Papers 论文
vision-language-action inference-framework robot-manipulation action-chunking corrective-replanning lightweight

摘要

VLA-Corrector 提出了一种轻量级的检测与纠正推理框架，可在无需重新训练的情况下自适应调整视觉-语言-动作策略中的动作视野，提升机器人操控任务的鲁棒性和效率。

视觉-语言-动作（VLA）基础模型最近在具身智能领域取得了显著进展。为了降低策略调用频率并保持时间一致性，大多数生成式策略采用动作块机制，在固定动作视野下以开环方式执行多个未来动作。然而，这种“预测后盲目执行”范式牺牲了闭环响应能力：在接触丰富的物理交互中，即使微小的局部扰动也会在开环盲区内迅速放大，导致误差累积并最终导致任务失败。为解决这一局限，我们提出了 VLA-Corrector，一种针对动作块化 VLA 策略的轻量级纠正推理框架。无需修改骨干策略权重，VLA-Corrector 引入了一个轻量级的潜空间视觉监控器（LVM），持续比较预测与实际的视觉特征演化，实现视觉动态偏差的在线检测。一旦检测到持续偏差，系统会触发截断事件，丢弃剩余过时动作，并通过在线梯度引导（OGG）调用纠正性重规划。VLA-Corrector 的检测与纠正机制自然产生一种事件触发的自适应动作视野：当当前动作块可靠时保持长视野执行，当执行开始漂移时调用短视野纠正性重规划。通过这种方式，VLA-Corrector 缓解了静态视野在执行鲁棒性与策略调用频率之间的权衡。它可以集成到不同的 VLA 模型中，无需进一步重新训练 VLA 骨干，中断误差累积的同时保留动作块的大部分效率优势，并在长视野、接触丰富的机器人操控任务中显著提升鲁棒性。
查看原文
查看缓存全文

缓存时间: 2026/07/06 06:35

论文页面 - VLA-Corrector：用于自适应动作时域窗口的轻量级检测与纠正推理框架

来源：https://huggingface.co/papers/2607.01804 我们提出 VLA-Corrector，一种轻量级的检测与纠正推理框架，用于处理基于动作分块的视觉-语言-动作（Vision-Language-Action）策略。

图片（https://cdn-uploads.huggingface.co/production/uploads/6485bd278d14bcd5cdbb7c8d/CCBNIokHqVaR371A1eYlb.png）

现代 VLA 策略通常会预测并执行动作分块，以降低策略调用频率并提升时间平滑度。然而，这种固定时域窗口的执行方式存在开环盲区：当物体滑落、机器人位姿漂移或场景在执行过程中发生变化时，策略可能会在执行完过期动作后才再次查询模型。

VLA-Corrector 无需重新训练或修改 VLA 主干网络即可解决该问题。它增加了一个轻量级的外部纠正通路，用于在执行过程中监控潜在视觉动态。当观测到的视觉演变持续偏离预期时，VLA-Corrector 会中断当前动作分块，丢弃过期动作，并触发带有在线梯度引导的纠正性重新规划。

这将固定的动作时域窗口转变为自适应窗口：当分块仍可靠时保留长时域执行，当执行开始漂移时则激活短时域的纠正行为。

在 MetaWorld、LIBERO 以及真实世界的 AgileX PiPER 实验中，VLA-Corrector 在多种 VLA 主干网络上提升了鲁棒性和每次调用的成功效率，表明小型推理时模块能够为可靠的机器人操作带来有意义的增益。

项目页面：https://zju-omniai.github.io/vla-corrector/

GitHub：https://github.com/ZJU-OmniAI/vla-corrector

论文：https://arxiv.org/abs/2607.01804

联系：Yi Pan：[email protected] Wenqi Zhang：[email protected]

相似文章

视觉思考-视觉-语言-行动策略：视觉中间推理实现高效低延迟

Hugging Face Daily Papers

视觉思考-视觉-语言-行动策略（VisualThink-VLA）引入了一种用于视觉-语言-行动策略的视觉中间推理框架，该框架保留了空间精度，并相比基于文本的推理显著降低了延迟，在机器人操作基准测试中实现了亚秒级推理和领先的成功率。

IntentVLA: 针对混叠机器人操作的短期意图建模

Hugging Face Daily Papers

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。