S$^2$-VLA：用于长视野操纵的状态空间引导视觉语言动作模型

视觉-语言-动作（VLA）模型在机器人操作方面表现出了强大的能力，但由于累积误差传播，它们的性能在长视野任务中显着下降。这种限制很大程度上源于静态特征融合机制，该机制依赖固定权重来组合视觉、语言和动作表示，从而阻止模型适应任务执行的不同阶段。为了解决这个限制，我们提出了 S$^2$-VLA，这是一个引入状态空间引导自适应注意力（SSGAA）机制的框架。 SSGAA 维持一种信念状态，跟踪任务进展并生成动态门控权重，以自适应地融合来自三个互补源的信息：用于空间感知的视觉特征、用于高级任务规划的任务意图以及用于执行一致性的时间动作序列。这种自适应融合允许模型在整个任务执行过程中转移焦点，以适应不同任务阶段不断变化的需求。尽管其 2B 参数大小紧凑，但 S$^2$-VLA 始终优于较大的 7B 规模模型，并在长视野操纵基准（包括 LIBERO 和 SimplerEnv）上实现了最先进的性能。强调了自适应特征融合对于长视距机器人操作的重要性。