视觉-语言-动作模型中的闭环神经激活控制

视觉-语言-动作（VLA）模型可以通过干预具有语义意义的内部方向在测试时被引导，但现有方法使用固定的引导系数，实际上是开环运行。这与具身控制很不匹配：任务状态与概念误差随时间演化，常导致过度校正、振荡和任务成功率下降，对速度与平滑性等时间性行为尤其如此。我们提出CTRL-STEER，一个用自适应、时变的控制信号取代静态干预强度的闭环框架。关键思想是将表征与调控解耦：不假设时间性概念由单个神经元直接控制，而是沿运动对齐的残差方向进行引导，同时由反馈控制器在线调整干预幅度。我们分别用PID和基于强化学习的控制器实例化该框架。在微调后的OpenVLA策略上、跨四个LIBERO任务套件的实验表明，CTRL-STEER在无需修改或重训基础模型的情况下，相比固定系数基线实现了更稳定的概念调控和更好的引导-任务成功权衡。