VANE：通过未来视觉表示预测对视觉-语言-动作模型进行可靠的测试时训练

测试时训练（TTT）提供了一种轻量级的方法来适应来自未标记部署流的视觉-语言-动作（VLA）策略，但它仍然难以在闭环操作中可靠地使用。共享的适应空间可以混合不兼容的任务修正，而在线更新可以在其后果已知之前改变后续操作。我们为 VLA 策略引入了可靠的 TTT 框架 (VANE)。 VANE 条件促进对当前视觉（语言环境）的适应，并从执行动作的未来视觉后果中学习。候选更新与实时策略隔离，根据后续观察进行评估，并且仅在得到未来证据支持时才进行提交，从而使适应具有选择性和可逆性。在 SimplerEnv WidowX 上，VANE 比相应的 TTT 基线平均成功率提高了 3.2 个百分点。 Google Robot 的结果进一步表明，部署时间增益仍然依赖于任务和实施例。总之，这些结果展示了一种在互动过程中调整 VLA 政策的有约束的、基于证据的方法。