視覺-語言-動作（VLA）模型在機器人操作領域展現出巨大潛力，但其數據驅動的特性使得模型在部署後容易遇到訓練數據未覆蓋的邊緣情況而失敗。現有研究大多停留在故障檢測階段，缺乏將已發現的故障用於模型修復的機制。針對這一侷限，研究人員提出了VLAMotor框架，這是首個將距離感知測試與智能體數據合成相結合的VLA增強分析框架。
VLAMotor的工作流程分為兩個階段。首先，在故障暴露階段，框架通過計算輸入樣本與訓練數據之間的距離來估計不確定性，並結合不確定性排名與冗餘消除策略，構建緊湊的測試集以暴露多樣化的故障模式。在模擬實驗中，VLAMotor生成的測試用例中有92.33%成功觸發了VLA模型的故障，測試覆蓋率相比當前最先進的工具提升了18.93%。
其次，在模型修復階段，VLAMotor將故障軌跡抽象為結構化語義表示，並規劃參數化的修復技能序列。這些序列通過逆運動學計算和運動執行轉化為可實際運行的軌跡。執行成功的軌跡會被自動標註，用於對原始VLA模型進行微調，從而得到增強後的新模型。
在四個典型的機器人操作任務上進行的評估表明，使用故障案例生成的合成數據進行微調後，VLA模型在模擬環境中的整體成功率提升了49.25%。更值得關注的是，在真實硬件部署中，經過模擬增強的模型相較於原始模型，成功率提升了57.50%，充分證明了VLAMotor作為一種低成本、高效VLA增強方法的有效性。
相關論文由Zeqin Liao等九位作者共同完成，於2026年5月16日提交至arXiv，編號為2606.00053，歸屬機器人學（cs.RO）領域。該研究為VLA模型的實際部署提供了一條可行且經濟的增強路徑。