论文页面 - CARE：基于经验引导的视觉-语言-动作策略原子纠正执行方法

来源：https://huggingface.co/papers/2609.24118

摘要

视觉-语言-动作（VLA）策略在机器人操作中表现出色，但一旦执行偏离标称轨迹就容易变得脆弱。我们提出CARE（纠正性原子机器人执行框架），该框架通过学习执行过程中遇到的失败案例来提升恢复能力。CARE不依赖手工设计或随机扰动生成纠正数据，而是收集失败的轨迹记录，建模基于阶段条件的失败后偏差，并利用所得的经验分布合成代表性失败状态与纠正演示。在推理阶段，CARE结合分阶段规划与基于物理的三维监测，在保持任务进度的同时触发原子级调整或重新操作。我们进一步提出失败状态恢复基准测试（FSR-Bench），用于评估在局部偏差与结构异常下从中间失败状态恢复的能力。跨多种VLA骨干网络、仿真基准测试与真实世界双臂任务的实验表明，CARE带来持续改进：仿真环境中平均任务成功率提升14.5个百分点，真实世界环境提升15.9个百分点。代码、模型与数据集已开源：https://github.com/xiaojunlan/care

查看arXiv页面（https://arxiv.org/abs/2609.24118）| 查看PDF（https://arxiv.org/pdf/2609.24118）| GitHub仓库（https://github.com/xiaojunlan/care）| 加入收藏（https://huggingface.co/login?next=%2Fpapers%2F2609.24118）

通过代理获取本论文：
hf papers read 2609.24118

未安装最新CLI？请执行：
curl -LsSf https://hf.co/cli/install.sh | bash

引用本论文的模型数量：0

暂无模型关联本论文。
在模型README.md中引用 arxiv.org/abs/2609.24118 即可从此页面关联。

引用本论文的数据集数量：0

暂无数据集关联本论文。
在数据集README.md中引用 arxiv.org/abs/2609.24118 即可从此页面关联。

引用本论文的空间数量：0

暂无空间关联本论文。
在空间README.md中引用 arxiv.org/abs/2609.24118 即可从此页面关联。

收录本论文的合集数量：0

暂无合集收录本论文。
将本论文添加至新合集（https://huggingface.co/new-collection）即可从此页面关联。