ELAN4D 是一篇于 2026 年 5 月 28 日提交到 arXiv 的机器人学论文（arXiv:2605.30484v1，cs.RO 分类），作者为 Zeyuan He 等共 12 人。论文针对视觉-语言-动作（VLA）模型在机器人操作任务中的一个核心缺陷展开：现有大多数策略都是“反应式”的，即直接从当前观测回归出动作，并不显式建模未来的动态演化，这使它们在分布外扰动下泛化能力受限。
为解决这一问题，作者提出了 ELAN4D——一个以本体（embodiment）为中心、具备 4D 感知能力的训练框架。其核心思路是引入未来机器人关键点轨迹，作为预测性的时空监督信号，从而增强 VLA 策略。关键点包括关节和末端执行器。值得注意的是，这些轨迹的获取方式非常轻量：仅利用来自本体感知状态的正向运动学（forward kinematics）即可推导出关键点在三维空间中的位移轨迹，几乎不产生额外的预处理开销。与依赖外部跟踪器或三维重建的方案不同，这种方法提供的是一种度量精确且紧凑的监督信号。
在架构设计上，ELAN4D 采用了一个即插即用的辅助分支，其中包含一个轻量级的轨迹解码器。该分支将 4D 信号注入到动作专家（action expert）中，同时通过梯度隔离机制保护预训练的视觉-语言主干网络不被改动。论文强调，轨迹解码器在推理阶段会被直接丢弃，因此基础策略的接口保持不变，便于在现有 VLA 模型上直接适配。
实验部分覆盖了多个主流基准与真实场景：LIBERO、LIBERO-Plus、RoboTwin2.0 以及真实世界操作任务。结果显示，ELAN4D 在强基线之上取得了一致的性能提升，总体表现最佳；在相机、背景和布局变化等分布外扰动条件下，增益尤为显著。作者据此认为，以本体为中心的 4D 监督对于构建更鲁棒、更可泛化的操作策略是有效的。
论文提交于 2026 年 5 月 28 日 19:03:30 UTC，文件约 950 KB，目前提供 PDF、实验性 HTML 以及 TeX 源码等访问方式，DOI 通过 DataCite 发放（尚待注册）。