ViDAL：以视觉动力学对齐 VLA 的动作潜空间

视觉-语言-动作 (VLA) 模型已成为机器人策略学习的中心范例，它以三种形式预测动作：原始 动作块、离散动作 token 或连续动作 潜变量。然而，现有的动作表示主要对动作轨迹进行建模，对这些动作引起的视觉动态的考虑有限。我们引入了 ViDAL，这是一种基于视觉动力学的动作 潜空间，它将连续动作 潜变量 锚定在场景的未来视觉动态中。具体来说，ViDAL 通过训练学习动作 潜空间（动作变分自动编码器（动作 VAE））来重建 动作块，同时将其潜在与未来场景动态对齐。当集成到下游机器人策略中时，所提出的 Action VAE 充当与多个 VLA 架构兼容的插件动作接口，并支持可选的未来视频预测作为附加功能。根据经验，ViDAL 在 LIBERO 上的平均成功率为 98.1%，优于 LIBERO 上的竞争基线，将 RoboTwin 2.0 上的多任务 $π_{0.5}$ 策略在 50 个双臂任务中的成功率从 54.3% 提高到 65.5%（干净），从 33.2% 提高到 43.1%（随机），并产生 20.0% 和 20.0% 的成功率。在现实世界的单臂 Franka 和双臂 ARX 机器人平台上，绝对成功率提高了 23.4%。