Track4Action：将世界坐标3D跟踪信息蒸馏到VLA策略

动作标签告诉视觉-语言-动作 (VLA) 策略，机器人命令模仿，但不告诉这些命令如何改变 3D 世界。对齐的演示剪辑包含此缺失的监督，因为其 $K$ 帧过渡记录了相应 $K$ 动作期间产生的几何形状、运动、可见性和摄像机变化。我们引入了 Track4Action，一个框架，该框架将这种从冻结的以世界为中心的 3D 跟踪器实现的转变提炼为当前观察的 VLA 策略。在训练期间，Track4World 将剪辑 $V_{t:t+K}$ 编码为池化跟踪器特征。可学习的跟踪查询从当前的 VLA 隐藏状态推断出此特征，在共享空间中进行匹配，并通过特征明智的门来调节流匹配动作头。跟踪器功能仅定义对齐目标，因此在部署时既不使用夹子也不使用跟踪器。 Track4Action 在零样本 LIBERO-Plus 上达到 82.3%，将无对齐变体提高了 7.6 点，将 LaMP 提高了 3.0 点。它在干净和随机的 RoboTwin 2.0 分割中获得 80.44% 和 81.48%，在四项物理双手任务中平均成功率为 67.5%，比无对齐变体高 25.0 分。模拟和物理任务的收益支持与动作一致的 3D 跟踪器功能，作为无跟踪器 VLA 部署的特权监督。我们的项目页面位于 https://wing0night.github.io/track4action-project-page。