$π_0$-EqM：闭环视觉-语言-动作控制的平衡匹配

目前，视觉-语言-动作（VLA）模型因其任务泛化的巨大潜力而​​成为机器人操作最常用的范例。虽然大多数用于 VLA 控制的生成流匹配动作解码器通常部署有固定的采样范围，但限制了状态相关的计算和跨控制周期的时间重用。我们提出了 $π_0$-EqM，它用平衡匹配 (EqM) 解码器取代了 $π_0$ 中的流匹配专家，同时保持上游 VLA 堆栈不变。在匹配的 300 步预算下，$π_0$-EqM 将 RoboTwin 在 19 项任务中的平均成功率从 40.4% 提高到 50.2%，并且在 LIBERO 上保持竞争力，其中在 LIBERO-10 上的增益最为明显（87.0%）。两个阈值扫描揭示了残差和成功之间依赖于任务的非单调关系，我们将其称为平稳性-可执行性差距。结果表明，迭代 VLA 控制中的推理深度是策略设计的一部分，并引入了基于能量的 VLA 视角，可以为跨任务和实施例的可组合动作生成的未来工作提供信息。