超越世界坐标系动作头：面向视觉-语言-动作模型的运动中心动作坐标系

视觉-语言-动作（VLA）模型凭借更强的骨干网络、更广泛预训练和更大的演示数据集迅速发展，但其动作头仍高度同质化：大多数直接在固定的世界坐标系中预测动作指令。我们提出MCF-Proto，一种轻量级动作头，为VLA策略配备运动中心动作坐标系（MCF）和基于原型的动作参数化。在每一步，策略预测一个旋转 $R_t \in SO(3)$，在变换后的局部坐标系中从一组原型组合出动作，再将其映射回世界坐标系以进行端到端训练，仅使用标准演示而无需辅助监督。这一简单设计诱导出稳定的涌现结构。在没有显式方向标签的情况下，学到的局部坐标系形成了稳定的几何结构，其各轴与演示的末端执行器运动高度一致。同时，在该学到的表示中的动作变得明显更紧凑，变化由更少的主方向捕捉，并被共享原型更有规律地组织。这些结构性质转化为更好的鲁棒性，尤其是在几何扰动下。我们的结果表明，为动作头添加轻量的几何与组合结构，能够切实改进VLA策略组织和泛化机器人操作行为的方式。匿名代码仓库已在补充材料中提供。