从噪音到意图：用剩余桥梁锚定生成 VLA 策略

由于认知和行动之间基本的时空尺度不匹配，将高级语义理解与底层物理控制联系起来仍然是具身智能领域的一个持续挑战。现有的生成 VLA 策略通常采用“噪声生成”范式，该范式忽略了这种差异，导致优化期间表示效率低下和弱条件对齐。在这项工作中，我们提出了 ResVLA，一种将范式转变为“Refinement-from-Intent”的架构。认识到机器人运动自然分解为全局意图和局部动态，ResVLA 利用频谱分析将控制解耦为确定性低频锚点和随机高频残差。通过将生成过程锚定在预测意图上，我们的模型严格专注于通过残余扩散桥完善局部动力学。大量的模拟实验表明，ResVLA 实现了有竞争力的性能、对语言和机器人实施例扰动的强大鲁棒性，以及比标准生成基线更快的收敛速度。 ResVLA 还在现实世界的机器人实验中展示了强大的性能。