Logic-VLA：受时序逻辑约束的视觉—语言—动作模型

视觉—语言—动作模型可以遵循自然语言任务指令，但指令未必能精确表达安全关键或时空要求。Logic-VLA在推理时以信号时序逻辑STL规范为条件，使用预训练的语法图编码器捕捉时序逻辑语义。策略适应分两阶段：先在满足规范的示范上进行STL条件监督微调，再对满足与违反规范的配对执行轨迹做轨迹级偏好优化，并用流匹配代理目标实现Identity Preference Optimization（IPO）。该方法改善形式化要求的满足程度，同时保留原自然语言任务。研究在随机化、逼真的四旋翼闭环导航模拟中评估，并测试未见STL公式的泛化。各项基准中，相比不感知STL的基础策略，满足率提高24.8–40.7个百分点，原任务成功率最多下降1.8个百分点，说明单个VLA可适应不同规范，无需为每条规范单独训练策略。