2026年9月21日，arXiv 平台上發佈了一篇題為《Capability-Aware Arbitration for Semantic Intent-Based Shared Control》（面向語義意圖共享控制的能力感知仲裁）的論文，作者為 Zhaoda Du 等三位研究者，編號為 arXiv:2609.25369v1，歸類於機器人學（cs.RO）。
共享控制的核心問題在於：機器人究竟應當在多大程度上接管控制權。傳統方法通常依據對推斷出的人類意圖的置信度來分配機器人權限，並默認自主執行是可靠的。然而，一旦這一假設不成立，過高的意圖置信度反而會引發“過度幫助”（over-helping），讓機器人做出用户並不期望的動作，從而損害協作體驗。
針對這一問題，論文提出了一個能力感知（capability-aware）的共享控制框架，同時考慮兩方面的信息：其一，由視覺語言模型（VLM）推斷人類意圖並給出語義意圖置信度；其二，由視覺-語言-動作（VLA）策略生成自主動作，並在線估計 VLA 的能力置信度。
VLA 能力置信度的估計方式頗具新意：作者通過隨機動作軌跡的離散程度（dispersion）與局部不穩定性（local instability）來在線量化策略當前執行任務的可靠程度，而不是簡單地依賴單一的動作輸出概率。隨後，他們設計了一種非線性仲裁策略，將經過貝葉斯濾波的語義意圖置信度與 VLA 能力置信度通過 Sigmoid 映射進行融合，從而自適應地調整機器人權限——當 VLA 能力不足時降低機器人權限，避免過度幫助；當 VLA 能力充足時則可以更積極地承擔任務。
評估分為兩部分：一是對 VLM/VLA 置信度評估本身的檢驗，二是由 12 名參與者完成的用户研究。參與者需要執行抓取-放置（pick-and-place）以及雙向堆疊（bidirectional stacking）任務，並且實驗同時覆蓋分佈內（in-distribution）與分佈外（out-of-distribution）兩種條件，以考察方法在陌生場景下的穩健性。
結果顯示，所提方法取得了最高的任務成功率 92%，明顯優於人工遙操作（83%）、僅依賴意圖的仲裁（44%）以及固定等權混合（10%）。此外，該方法在控制友好度（control friendliness）上更高，在權限加權的分歧度（authority-weighted disagreement）上低於兩個共享控制基線。作者總結認為，這些結果説明把 VLA 能力納入權限分配，有助於緩解過度幫助並提升共享控制的整體表現。
論文全文、PDF 與實驗性 HTML 版本均可在 arXiv 頁面獲取（DOI: 10.48550/arXiv.2609.25369，DataCite 註冊待完成）。提交信息顯示，v1 版本於 2026 年 9 月 21 日 20:08:39 UTC 提交，文件大小約 7,357 KB。