2026年9月21日，arXiv 平台上发布了一篇题为《Capability-Aware Arbitration for Semantic Intent-Based Shared Control》（面向语义意图共享控制的能力感知仲裁）的论文，作者为 Zhaoda Du 等三位研究者，编号为 arXiv:2609.25369v1，归类于机器人学（cs.RO）。
共享控制的核心问题在于：机器人究竟应当在多大程度上接管控制权。传统方法通常依据对推断出的人类意图的置信度来分配机器人权限，并默认自主执行是可靠的。然而，一旦这一假设不成立，过高的意图置信度反而会引发“过度帮助”（over-helping），让机器人做出用户并不期望的动作，从而损害协作体验。
针对这一问题，论文提出了一个能力感知（capability-aware）的共享控制框架，同时考虑两方面的信息：其一，由视觉语言模型（VLM）推断人类意图并给出语义意图置信度；其二，由视觉-语言-动作（VLA）策略生成自主动作，并在线估计 VLA 的能力置信度。
VLA 能力置信度的估计方式颇具新意：作者通过随机动作轨迹的离散程度（dispersion）与局部不稳定性（local instability）来在线量化策略当前执行任务的可靠程度，而不是简单地依赖单一的动作输出概率。随后，他们设计了一种非线性仲裁策略，将经过贝叶斯滤波的语义意图置信度与 VLA 能力置信度通过 Sigmoid 映射进行融合，从而自适应地调整机器人权限——当 VLA 能力不足时降低机器人权限，避免过度帮助；当 VLA 能力充足时则可以更积极地承担任务。
评估分为两部分：一是对 VLM/VLA 置信度评估本身的检验，二是由 12 名参与者完成的用户研究。参与者需要执行抓取-放置（pick-and-place）以及双向堆叠（bidirectional stacking）任务，并且实验同时覆盖分布内（in-distribution）与分布外（out-of-distribution）两种条件，以考察方法在陌生场景下的稳健性。
结果显示，所提方法取得了最高的任务成功率 92%，明显优于人工遥操作（83%）、仅依赖意图的仲裁（44%）以及固定等权混合（10%）。此外，该方法在控制友好度（control friendliness）上更高，在权限加权的分歧度（authority-weighted disagreement）上低于两个共享控制基线。作者总结认为，这些结果说明把 VLA 能力纳入权限分配，有助于缓解过度帮助并提升共享控制的整体表现。
论文全文、PDF 与实验性 HTML 版本均可在 arXiv 页面获取（DOI: 10.48550/arXiv.2609.25369，DataCite 注册待完成）。提交信息显示，v1 版本于 2026 年 9 月 21 日 20:08:39 UTC 提交，文件大小约 7,357 KB。