Recoleta Item Note
CORAL: Scalable Multi-Task Robot Learning via LoRA Experts
CORAL提出一种面向多任务机器人学习的参数隔离框架：冻结一个预训练VLA主干，并为每个任务添加一个轻量LoRA专家。它试图同时解决多任务负迁移、持续新增任务时的遗忘，以及边缘部署下的存储开销问题。
Summary
CORAL提出一种面向多任务机器人学习的参数隔离框架：冻结一个预训练VLA主干，并为每个任务添加一个轻量LoRA专家。它试图同时解决多任务负迁移、持续新增任务时的遗忘，以及边缘部署下的存储开销问题。
Problem
- 多任务机器人联合微调时，不同任务梯度会相互冲突，导致负迁移，尤其在细粒度语言指令容易混淆时更严重。
- 若每个任务都保存一份完整模型检查点，存储与部署成本会随任务数线性爆炸，不适合真实机器人系统。
- 顺序学习新任务还会覆盖旧知识，引发灾难性遗忘，因此需要一种既能扩展又不互相干扰的方案。
Approach
- 冻结一个通用的预训练VLA基础模型，只训练每个任务各自独立的LoRA适配器，把任务特有知识放进小型“专家”里。
- LoRA同时注入到视觉语言编码器和动作头的注意力层，让专家既能调整感知/语言特征，也能调整控制策略。
- 推理时由CORAL Manager根据语言指令直接确定任务并加载对应专家，不需要学习式gating网络或外部LLM路由。
- 通过先恢复干净主干、再合并目标LoRA权重的方式实现在线切换；合并后按原模型执行，因此作者声称没有额外推理FLOPs或时延开销。
- 由于不同任务参数完全隔离，新任务可顺序加入而不覆盖旧任务参数，从机制上缓解干扰与遗忘。
Results
- LIBERO（40任务）：CORAL with SimVLA 达到 99.3% 平均成功率，相比 SimVLA baseline 98.6% 提升 +0.7，并高于文中列出的 X-VLA 98.1%；在 LIBERO-Long 上为 98.8% vs 96.4%，提升 +2.4。
- LIBERO（同一框架换主干）：CORAL with π0.5 达到 98.4%，相比 π0.5 baseline 96.9% 提升 +1.5；其中 Long 子集 95.8% vs 92.4%，提升 +3.4。
- WidowX / Simpler-Bridge：CORAL with SimVLA 平均 97.9%，高于 SimVLA baseline 95.8%，提升 +2.1；在 Stack 与 Eggplant 任务上分别提升 +4.1，且 Spoon/Carrot 达到 100%/100%。
- Google Robot / Simpler-Fractal：CORAL with SimVLA 平均 84.9%，相比 SimVLA baseline 77.0% 提升 +7.9；相较 X-VLA 75.7% 也更高。分项上 Pick 85.9 (+3.6)、Move 92.8 (+11.8)、Open 75.9 (+8.2)。
- 效率与存储：针对 0.8B 主干，单个 rank-16 LoRA 专家约 26MB，作者称约比完整模型小 100×；40个LIBERO任务的专家库约 1GB，而单个完整微调检查点约 3GB。专家切换时间约 100ms，且声称 zero additional inference FLOPs。
- 真实机器人：论文声称在 Galaxea R1 Lite 上验证了跨场景泛化、新任务获取和抗遗忘能力，但给定摘录未提供该部分的完整量化表格，因此无法从摘录中列出更具体真实世界数值。
Link
Built with Recoleta
Run your own research radar
Turn arXiv, Hacker News, OpenReview, Hugging Face Daily Papers, and RSS into local Markdown, Obsidian notes, Telegram digests, and a public site.