粗略控制：视觉-语言-动作模型的动作词元规划

大多数视觉-语言-动作（VLA）模型直接将观察结果映射到动作，而没有明确的中间计划，这限制了早期错误复合的长期任务的性能。我们提出了 Coarse-to-Control，这是一种计划执行 VLA，它在动作词元空间中引入了原生计划。关键思想是让策略首先预测一个紧凑的粗略动作词元序列，总结预期的未来轨迹，然后根据该计划生成可执行的动作词元。由于计划和执行共享统一的离散动作词汇，因此计划靠近控制流形，并提供直接可操作的指导，而不是必须转换回运动命令的抽象提示。对 LIBERO、SimplerEnv-WidowX 和现实世界操作任务的实验表明，动作词元规划比直接动作生成持续改进，在长期多阶段任务上收益最大。