VLA-Corrector：自适应行动视野的轻量级检测和纠正推理

视觉-语言-动作（VLA）基础模型最近在具身智能方面取得了巨大进展。为了在保持时间一致性的同时降低策略调用频率，大多数生成策略采用动作块机制，在固定的动作范围内以开环方式执行多个未来动作。然而，这种“预测然后盲目执行”的范式牺牲了闭环反应性：在接触丰富的物理交互中，即使是很小的局部扰动也会在开环盲点内迅速放大，导致复合错误并最终导致任务失败。为了解决这一限制，我们提出了 VLA-Corrector，这是一种用于动作分块 VLA 策略的轻量级校正推理框架。在不修改主干策略权重的情况下，VLA-Corrector 引入了一种轻量级的潜在空间视觉监视器（LVM），它不断比较预测和实际的视觉特征演化，从而实现视觉动态偏差的在线检测。一旦检测到持续偏差，系统就会触发截断事件，丢弃剩余的过时操作，并通过在线梯度指导（OGG）调用纠正性重新计划。 VLA-Corrector 的检测和纠正机制自然会引发事件触发的自适应行动范围：当当前块保持可靠时，它保留长期执行，并在执行开始漂移时调用短期纠正重新规划。通过这样做，VLA-Corrector 减轻了执行鲁棒性和策略调用频率之间静态范围所带来的权衡。它可以集成到不同的 VLA 模型中，而无需进一步重新训练 VLA 主干，中断复合错误，同时保留动作分块的大部分效率优势，并显着提高长视野、接触丰富的机器人操作任务的鲁棒性。