自我改进的 VLA 策略：用于杂散鲁棒动作平滑的选定扩散噪声

基于扩散的视觉-语言-动作（VLA）策略可以在机器人操作中实现强大的泛化，但对虚假视觉相关性和噪声动作生成仍然敏感，导致扰动下的脆弱行为。我们引入了选定扩散噪声 (SDN)，这是一种简单的 无需训练 测试时方法，通过利用扩散噪声空间作为可控自由度来提高鲁棒性和成功率。 SDN 动态采样与参考集最大程度分离的噪声向量，以减轻对虚假线索的依赖，同时选择产生更连贯的动作轨迹的候选向量。即使在对象遮蔽的观察下，这种双重目标也能促进稳定的行为，并在不修改模型参数的情况下减少动作抖动。我们在两个模拟基准（Google Robot、Widow-X）和跨多个 VLA 策略的两个真实机器人数据集（包括 pi_0、Groot-N1.5 和 Groot-N1.6）上评估 SDN。 SDN 持续将模拟中的成功率提高了 8%，在现实环境中提高了 10%，同时产生了更流畅、更稳定的操作。我们的结果强调，扩散噪声选择可以作为在测试时增强 VLA 策略的有效且通用的机制。