灯光、摄像头、故障：当照明鲁棒性导致 VLA 模型对颜色视而不见时

视觉-语言-动作（VLA）模型已成为通用机器人操作的强大范例；然而，它们向现实世界环境的过渡揭示了对轻微环境扰动的脆弱性。我们提出了 FLARE，这是一种优化的物理聚光灯攻击框架，它通过有针对性的照明来利用这些漏洞，将基线任务成功率降至零，而无需访问模型内​​部。虽然对抗性训练是标准对策，但我们发现了一个关键且之前被低估的防御陷阱：天真的数据增强错误地条件 VLA 模型将颜色作为噪声丢弃，将其视觉感知压缩为纯粹形状偏向的处理器。我们通过诊断灰度评估暴露了这种退化，其中受保护的模型在灰度输入上保持了较高的成功率，而其在良性、依赖颜色的现实世界任务上的成功率最多下降到 47.5%，远低于无保护的基线。为了解决这个问题，我们提出了 ChromaGuard，一种保留色度的对抗训练方法。在物理 6-DoF 机器人平台上，我们证明 ChromaGuard 在良性和受攻击的颜色相关任务中分别实现了 97.5% 和 92.5% 的成功率。