AIR-VLA+：通过具有非对称 MoE 的级联双动作解码器为空中机器人解耦运动和操纵

空中操纵系统长期以来一直受到端到端控制中表示耦合的影响，因为平台级无人机（UAV）运动和末端执行器级手臂操纵在动作规模、动力学和控制目标方面存在很大差异。在本文中，我们提出了 AIR-VLA+，这是一种专为空中操纵而设计的流匹配动作生成架构，具有级联双动作解码器和非对称特征级专家混合 (MoE)。我们构建了级联的操纵和运动解码器，允许无人机在运动过程中单向观察操纵器意图以实现工作流程协调，同时隔离无人机运动信息反向传播对手臂操纵稳定性的影响。针对无人机运动高度依赖高层语义并负责空中操纵中任务状态转换的特点，我们设计了无人机运动解码器的输入特征增强模块。该模块引入了隐式视觉抓取投影仪来感知抓取器与物体之间的交互状态，并注入压缩的全局语义特征。在无人机运动解码器中，我们部署了隐式 MoE 架构，使不同的运动专家能够在训练期间自发地表现出各个任务阶段的能力倾向。通过特征流形上的密集软混合计算，赋予无人机运动更强的任务阶段适应性。在标准化 AIR-VLA 基准上的实验表明，我们的方法全面超越了所有基线，总体平均得分为 48.0。与单头$π_{0.5}$策略相比，整体任务完成分数提高了80.2%，有效缓解了复合机器人的异构协调控制冲突。