检测并抑制：VLA模型对抗补丁的机制防御

对抗补丁可通过操纵视觉观测干扰视觉-语言-动作（VLA）模型，导致机器人控制失败。但哪些内部机制构成这些失败、定向干预如何缓解，仍知之甚少。本工作用稀疏自编码器（SAE）机制分析VLA表示，识别出一个其激活与对抗补丁存在强相关的特征。基于该分析，仅在线性探针检测到攻击时在推理时抑制该特征。该干预无需微调VLA的成本即提升鲁棒性。我们在LIBERO-10的VLA对抗补丁攻击上评估：条件干预改善间歇攻击下的成功率，而持续施加同一干预会大幅降低策略性能。结果表明攻击相关的内部表示可为VLA对抗防御提供有用目标，且控制何时干预对限制对名义策略行为的干扰很重要。