VLA / 视觉-语言-动作模型

Guide, Think, Act: Interactive Embodied Reasoning in Vision-Language-Action Models

引导、思考、行动：面向视觉-语言-动作模型的交互式具身推理

Yiran Ling, Qing Lian, Jinghang Li, Qing Jiang, Tianming Zhang, Xiaoke Jiang, Chuanxiu Liu, Jie Liu, Lei Zhang

机构 * Futian Laboratory（福田实验室） ； Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算机学院） ； International Digital Economy Academy (IDEA)（国际数字经济学院（IDEA）） ； School of Robotics, Hunan University（湖南大学机器人学院） ； South China University of Technology（华南理工大学） ； Visincept（Visincept公司） ； National Key Laboratory of Smart Farm Technologies and Systems（智能农业技术与系统国家重点实验室） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.CV

AI总结 本文提出GTA-VLA框架，通过允许用户用显式视觉提示引导机器人策略，实现空间可调节的具身推理。该框架整合了外部指导与内部任务规划，提升了在视觉歧义和错误恢复中的表现。

AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models

AnchorRefine：基于轨迹锚点和残差细化的轨迹-锚点与残差细化的视觉-语言-动作模型

Tingzheng Jia, Kan Guo, Lanping Qian, Yongli Hu, Daxin Tian, Guixian Qu, Chunmian Lin, Baocai Yin, Jiapu Wang

机构 * Beijing University of Technology（北京理工大学） ； Beihang University（北航） ； Nanjing University of Science and Technology（南京理工大学） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title,abstract)；VLA(abstract,abstract_cn)；分类 cs.RO、cs.AI

AI总结 本文提出AnchorRefine框架，通过分解视觉-语言-动作动作建模为轨迹锚点和残差细化，提升几何和接触精度，实验表明在模拟和现实任务中均取得显著提升。

Comments The authors have decided to withdraw this manuscript because the work requires substantial revision and further experimental validation

Towards Human-like Physical Intelligence: Lifelong Vision-Language-Action Learning for Robotic Manipulation

迈向类人物理智能：用于机器人操作的终身视觉-语言-动作学习

Yao He, Gan Sun, Wenqi Liang, Fazeng Li, Yang Cong

机构 * South China University of Technology（华南理工大学） ； University of Trento（特伦托大学） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(abstract,abstract_cn)；分类 cs.RO

AI总结 研究针对机器人操作中可塑性-稳定性权衡难题，提出缓存高效的终身视觉-语言-动作学习框架LifelongVLA。通过双时间尺度LoRA门控模块及缓存高效随机重放策略，有效缓解权衡问题，实现技能扩展、行为保留，减少再训练依赖，优于现有基线。

Evaluating Uncertainty and Quality of Visual Language Action-enabled Robots

评估具有视觉语言动作能力的机器人的不确定性和质量

Pablo Valle, Chengjie Lu, Shaukat Ali, Aitor Arrieta

机构 * Mondragon University（蒙dragon大学） ； Simula Research Laboratory（Simula研究实验室） 纠错

专题命中 VLA模型 ：VLA(abstract,abstract_cn)；vision-language-action(abstract)；分类 cs.RO

AI总结 研究针对具有视觉语言动作能力的机器人，采用八个不确定性指标和五个质量指标，通过大规模实证研究评估其有效性，发现部分指标与人类评估有相关性且能区分任务执行质量，挑战了仅依赖成功率的评估做法。

TacRefineNet: Goal-Conditioned Tactile Grasp Refinement for Edge-Prominent Objects

TacRefineNet：用于边缘突出物体的目标条件触觉抓取优化

Shuaijun Wang, Haoran Zhou, Diyun Xiang, Yangwei You

机构 * Xiaomi Robotics（小米机器人） 纠错

专题命中 VLA模型 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO

AI总结 研究针对边缘突出物体抓取对齐难的问题，提出TacRefineNet框架，利用连体策略网络预测手腕姿态增量，经交叉组合训练，在模拟样本上训练后部署到实际五指手，实验表明其在可见物体抓取上有一定成功率及误差控制，还有长期扰动校正等特点。

Comments 9 pages, 8 figures