VLA Deployment Validation

VLA 评估在机器人单元批准策略前应增加两项检查：模型在能够抓取之后是否选择语义上正确的目标，以及哪些物体、姿态和指令条件会带来成组失败。

RoboSemanticBench 说明了为什么单一任务成功率不足以作为发布门槛。它把数学、常识和事实问题改成抓取与放置任务，从而把抓取和目标选择分开。每个模型和套件都做了 500 个仿真回合，pi0.5 的平均任务成功率最高，为 21.8%，但它的归一化语义落地分数只有 5.2%。有些模型的归一化分数是负的，这表示它们在成功抓取后的目标选择，甚至比随机选择基线还差。

FATE-VLA 给评估团队提供了第二个直接工具：自适应场景生成。它运行候选操作场景，记录成功或失败，再用代理模型和多样性评分选择下一次测试。在 GR00T-N1.6 上，最佳变体把发现失败率提高到 65.3%，而随机测试只有 35.6%。在 EO-1 上，它达到 60.0%，随机测试是 36.7%。

实际落地时，可以把每个新的 VLA 策略候选都变成一次小规模失败发现活动。先选一个与部署相关的任务族，再变化物体身份、物体姿态、工作区位置和指令措辞，并把语义目标准确率和抓取成功率分开报告。输出应当是一张运维人员和模型训练人员都能用的失败地图，而不是一个单独的平均成功率。

运行冻结 VLA 策略处理移动物体任务的机器人团队，可以先测试一个预测封装层，再重新训练基础模型。目标工作流很窄，也很具体：传送带、滚动物体、抛接、交接，以及其他在相机到动作的延迟期间物体会移动的任务。

AHEAD 在冻结的 7B OpenVLA 外围加了一个 490 万参数的潜在世界模型。它用 RAFT 光流估计图块速度和加速度，选择与任务相关或正在移动的图块 token，预测未来的 VLA 特征 token，并在不确定性超过阈值时停止展开。基础 VLA 的视觉编码器、语言编码器和动作解码器都保持冻结。

这些收益正好出现在部署团队最在意延迟的地方。在 20 个动态仿真场景中，AHEAD 报告 79% 到 97% 的成功率，而最强基线是 31% 到 58%。在最高 40 cm/s 的传送带速度扫描中，AHEAD 维持在 95.4% 到 97.6% 的成功率，而 DreamVLA 在 40 cm/s 时降到 47.2%。在一台实体 UFactory xArm 7 上，AHEAD 在抛接任务中做到 19/30，而文中列出的所有基线都是 0/30。

一个低成本的首轮测试是，把现有的 OpenVLA 风格策略包到一个移动物体工位上，再比较不同物体速度下的成功率。通过条件应当包括延迟、不确定性触发的预测跨度，以及最快运行速度下的成功率，因为只在低速时有用的预测器，解决不了产线节拍问题。

在不同相机、机器人坐标系和数据集上训练策略的团队，应当把 3D 对齐当成数据流水线的一部分。具体做法是先把像素、本体感觉和动作映射到一个共享的 3D 坐标系里，再在相机和基座姿态变化下测试策略。

Dexterity-BEV 给出了一套直接方法。它在有深度信息时，用相机标定和深度把每个图像像素转成 3D 点，构建像素对齐的顶点图，把多视角点云投影成 BEV 图像，并把动作表示在一个规范坐标系里，比如机器人基座坐标系或桌面工作区中心。对于只有 RGB 的相机，它使用采样的深度假设作为 3D 位置特征。

当相机和姿态条件变化时，性能差距会显现出来。在官方 LIBERO 上，Dex-BEV 接近 X-VLA。在相机视角和场景或机器人基座姿态变化后的 modified LIBERO 上，Dex-BEV 的平均成功率达到 89.9%，而 X-VLA 和 2D 消融都被报告在 10% 以下。在可见的真实世界片段里，它在 Agilex Fold Mailer Box 上完成了 23/30 次，而 X-VLA 是 17/30，π₀ 是 13/30。

Lie Diffuser Actor 在动作层面指出了同样的运行问题。它把扩散式位姿生成保持在 SE(3) 上，在切空间里加噪声，再用指数映射把样本映回去，这样每一步去噪都仍然是有效的刚体变换。在 OpenVLA-OFT 验证中，SE(3) 分数匹配把 LIBERO Long 成功率从 92.20% 提高到 94.13%，同时减少了旋转正交性违例。

一个有用的试点，是拿一个混合相机操作数据集，把观测和动作都转换到共享的机器人基座或桌面坐标系里，然后在留出的相机姿态下重新运行策略。指标应当同时包括任务成功率和无效姿态统计，因为同一个策略在一种相机设置下可能得分不错，但在另一种坐标系下会产生不稳定的旋转。