领域算法：环境变化下的一次性 VLA 适应

视觉-语言-动作 (VLA) 模型通常无法在环境变化下执行相同的学习任务，例如相机姿势的变化以及转移到不同但相似的机器人（例如，从 Panda 到 UR5e）。使这些模型适应转移的环境（即目标域）通常需要对每个任务进行多个演示的训练，而收集这些模型的成本很高。为了减轻数据管理和训练的负担，我们提出了一种基于类比的方法，通过添加特定领域信息的权重向量算术来适应环境变化下的 VLA 模型，称为 Domain ARiThmetic (DART)。与之前的方法不同，DART 仅需要收集单个演示，从而实现高效的适应。为了准确地隔离域特定信息以进行加法，DART 在权重向量中的奇异分量之间执行子空间对齐，以滤除噪声分量。在模拟和现实世界的实验中，DART 在跨不同视觉和实施例转换的一次性场景中优于现有的 VLA 适应方法。代码可在 https://github.com/snumprlab/dart 获取。