VLA-Δ：让机器人学习“状态如何变化”，而不只是模仿动作

导语

视觉-语言-动作（VLA）模型正在成为机器人学习的重要路线：模型先利用视觉和语言预训练获得语义能力，再将当前观测转换为机械臂动作。不过，很多VLA的训练目标仍然是“看到什么，就执行什么动作”。这种方式能够复现演示轨迹，却未必真正理解物体位置、夹爪状态和接触关系如何随任务推进而改变。

VLA-Δ提出的核心思路，是把“物理状态转移”本身纳入学习目标。这里的“Δ”并不只是预测下一帧图像，而是刻画当前状态到未来状态之间与任务相关的变化，并用这些变化为连续动作生成提供更直接的监督。

核心方法

论文构建了一个包含484小时、约2400万帧数据的预训练语料，并配套设计了自动化标注流程。标注内容覆盖任务进度、空间运动、接触变化以及部分物理约束，试图把机器人操作视频中隐含的动态信息显式化。

模型使用三类结构化信号学习状态变化：

• 结构化转移槽位：用于承载与任务相关的状态变化表示；
• 稠密光流：描述场景中物体和机械部件的视觉运动；
• 未来状态差异文本：以语言形式概括当前状态与未来状态之间的变化。

与一些通过语言推理、视觉预测或潜变量预测间接辅助动作生成的方法不同，VLA-Δ试图直接监督物理状态转移。完成预训练后，下游策略仍可仅使用动作监督进行训练；部署时，模型根据当前观测直接生成动作，不需要额外运行辅助预测模块，因此不会增加推理阶段的解码负担。

实验表现

根据论文报告，VLA-Δ在LIBERO上取得98.40%的成功率，在RoboTwin 2.0的Clean和Random设置下分别达到90.06%和89.74%。在真实机器人实验中，论文称其性能超过π0.5，优势为5.5%。这些结果说明，显式学习状态变化不仅是增加一个中间任务，也可能为跨场景的动作生成提供更稳定的表示。

不过，这些结果仍应结合数据规模、任务设置和具体训练细节理解。状态转移标注的自动化质量、不同机器人形态之间的迁移能力，以及模型在长时序和未见接触情形下的表现，都是后续评估的重要问题。

意义与影响

VLA-Δ的价值在于重新定义了VLA训练中的监督信号：动作不再只是观测之后的标签，物体和机器人状态的变化也可以成为学习对象。对于抓取、推动、放置等依赖接触和几何关系的任务，这种表示有望减少对表面视觉线索的依赖。

更广泛地看，该工作连接了VLA与世界模型之间的研究方向。它没有要求部署时完整预测未来，而是把未来状态变化压缩为训练阶段的能力，再让策略在执行时保持直接控制。这种“训练时学习变化、推理时直接行动”的设计，可能成为提升机器人模型实用性的一个路径。

来源：Hugging Face Daily Papers