视觉-语言-动作（Vision-Language-Action，VLA）模型将视觉、语言和动作执行结合起来，是机器人学习领域备受关注的方向。然而，这类模型的实际部署仍面临一个隐性风险：当机器人依赖多路传感器输入时，模型可能会“偷懒”地利用传感器之间的统计关联来推断动作，而非真正理解任务。由于机器人演示数据的采集成本高，训练集通常规模有限且同质化严重，这种倾向会使模型学到大量虚假的跨传感器相关性。这篇由Yue Yang等六位作者撰写、于2026年9月2日提交至arXiv的论文，将这些虚假相关导致的失败统称为模态纠缠。
模态纠缠在真实环境中会表现为两种棘手问题。第一种是干扰敏感性：当一个与任务无关的传感器被遮挡、损坏或加入干扰时，策略的输出会明显波动，出现意料之外的错误；第二种是单模态不充分性：当只有某一路真正携带任务信息的传感器可用时，模型又因为过度依赖其他传感器的相关性而无法独立完成判断。换言之，模型的鲁棒性被“平均主义”的传感器融合方式削弱了。
针对上述问题，论文提出证据门控正则化（Evidence-Gated Regularization，EGR）。该训练目标并不局限于某一种模态，而是先为每一帧、每一个传感器计算一个任务相关性的“证据”信号，再用这个信号门控两类状态条件一致性约束：在低证据传感器上施加不变性约束，要求策略对该传感器的扰动始终保持一致的行为；在高证据传感器上施加单传感器充分性约束，鼓励策略在仅仅使用该传感器时也能达到足够好的决策效果。EGR在推理时不引入任何额外计算开销，因此可以相对直接地用于现有的VLA策略训练流程。
为了让这一问题得到更系统的评测，作者构建了一个基于BEHAVIOR-1K的基准，既包含无需完整执行即可快速诊断的推理测试套件，也包含47个需要完整rollout的长程技能任务，专门针对模态纠缠现象进行压力测试。此外，论文还在两套构型完全不同的真实机器人平台上验证了EGR的有效性：一套是使用两台Kinova机械臂和三个RGB摄像头的双臂系统；另一套是采用单臂MELFA ASSISTA、融合视觉与GelSight触觉传感器的单臂系统。
在BEHAVIOR-1K仿真环境中，EGR带来了稳定且显著的成功率提升：完整模态下成功率从12.5%提升至16.4%，相对提升约31%；无信息相关传感器被破坏时，成功率从9.4%提升至16.5%，相对提升约75%；而仅在单一相关传感器可用时，成功率从2.8%提升至6.1%，相对提升约120%。真实机器人实验中还额外加入了物理物体作为干扰源。结果表明，EGR在双臂系统上的成功率从30%提升至85%，相对提升达183%；在融合触觉传感器的单臂系统上，成功率从55%提升至70%，相对提升27%。
综合来看，本文通过“识别哪些传感器真正起作用”的思路，为多模态机器人策略的鲁棒性提供了一条轻量且有效的新路径。与许多需要改变模型结构或增加测试时计算的方法不同，EGR把工作重心放在训练阶段，不改变推理时的输入管线。论文作者也希望，这种显式关注“模态是否可靠”的训练方式，能帮助VLA策略在真实、开放且充满干扰的环境中更加稳定地完成操纵任务。