面向视觉-语言-动作模型的基于分析概念的显式运动学引导

当前的视觉-语言-动作（VLA）模型大多依赖于二维输入，忽视了三物理世界中丰富的物体结构信息和常识性知识。这一缺陷限制了它们在复杂、高精度操作任务中的空间感知能力和适应性。为弥补这一关键差距，研究团队构建了一个名为“概念专家”（Concept Expert）的模块，用于生成可执行的分析概念（Analytic Concepts），将物体表示为显式、可编程的蓝图。该机制分为两个协同阶段：首先，在VLA推理之前，概念专家利用视觉基础模型（Vision Foundation Models, VFMs）提取的三维信息，估计物体的初始运动学和结构参数；其次，在整个操作过程中，VLA模型利用其固有能力动态跟踪这些概念参数，并持续将其与观测变化对齐，以确保持续精度。一旦建立，分析概念便通过两种方式为VLA微调提供显式、高质量的指导：（1）密集的程序化操作奖励；（2）精确的空间引导。这种设计使VLA模型能够学习物理上可交互的行为，同时保持端到端学习的灵活性。实验结果表明，在监督学习和强化学习设置下，该方法均取得了成功率和学习效率的一致提升，证明了结构化、基于概念引导对VLA后训练的有效性。该论文由Mingyang Sun等人撰写，于2026年7月29日提交至arXiv，并归入机器人学（cs.RO）领域。