论文页面 - IntentVLA: 面向歧义机器人操控的短时意图建模

来源：https://huggingface.co/papers/2605.14712 作者：

,

,

,

,

,

,

,

,

,

摘要

IntentVLA 是一种基于历史条件的视觉-语言-动作框架，通过编码来自视觉观测的短时意图，提升机器人模仿学习的稳定性，应对部分可观测性和歧义观测带来的挑战。

机器人模仿数据通常具有多模态性：相似的视觉-语言观测可能后续跟随不同的动作段，因为人类演示者执行时带有不同的短时意图 (https://huggingface.co/papers?q=short-horizon%20intents)、任务阶段或近期的上下文。现有的基于帧条件 (https://huggingface.co/papers?q=frame-conditioned) 的 VLA 策略仅从当前观测和指令推断每个动作段，因此在部分可观测性 (https://huggingface.co/papers?q=partial%20observability) 下，它们可能在相邻的重新规划步骤中重新采样不同的意图，导致段间冲突和不稳定的执行。我们引入了 IntentVLA，一种基于历史条件 (https://huggingface.co/papers?q=history-conditioned) 的 VLA 框架，将最近的视觉观测编码为紧凑的短时意图表征 (https://huggingface.co/papers?q=intent%20representation)，并利用它来条件化段生成。我们进一步引入了基于 RoboTwin2 (https://huggingface.co/papers?q=RoboTwin2) 的 AliasBench (https://huggingface.co/papers?q=AliasBench)，一个包含12个任务的歧义感知基准 (https://huggingface.co/papers?q=ambiguity-aware%20benchmark)，具有匹配的训练数据和评估环境，隔离了短时观测歧义。在 AliasBench (https://huggingface.co/papers?q=AliasBench)、SimplerEnv、LIBERO 和 RoboCasa 上，IntentVLA 提升了 rollout 稳定性 (https://huggingface.co/papers?q=rollout%20stability)，并优于强大的 VLA 基线。

查看 arXiv 页面 (https://arxiv.org/abs/2605.14712) 查看 PDF (https://arxiv.org/pdf/2605.14712) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.14712)

在你的 agent 中获取此论文：

hf papers read 2605\.14712

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

引用此论文的模型0

没有模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2605.14712 以将其链接到此页面。

引用此论文的数据集0

没有数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.14712 以将其链接到此页面。

引用此论文的 Space0

没有 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2605.14712 以将其链接到此页面。

包含此论文的收藏夹0

没有包含此论文的收藏夹

将此论文添加到一个收藏夹 (https://huggingface.co/new-collection) 以将其链接到此页面。