Recoleta
GitHub
来源笔记

AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models

作者
Tingzheng Jia, Kan Guo, Lanping Qian, Yongli Hu, Daxin Tian, Guixian Qu, et al.
来源
arXiv
发布日期
栏目
Embodied AI
Vision Language ActionRobot ManipulationHierarchical PolicyResidual RefinementGripper Control
打开 arXivMarkdown 源文件

摘要

AnchorRefine 将机器人动作预测拆成一个粗轨迹锚点和一个小幅修正步骤。论文针对 vision-language-action 策略中的精度失误，在 LIBERO、CALVIN 和真实机器人测试中都报告了稳定提升。

问题

  • 标准 VLA 策略把完整动作块放在同一个空间里预测，因此大幅机械臂运动会主导训练，小幅修正信号得到的监督很弱。
  • 这会影响精度关键的操作，比如最终位姿对齐、接触时机和夹爪闭合，因为很小的误差就可能把成功变成失败。
  • 论文把夹爪控制视为主要失误来源：他们的分析显示，LIBERO 中超过 88% 的失败涉及夹爪相关错误。

方法

  • AnchorRefine 使用两阶段动作模型：锚点规划器先预测一条粗动作轨迹，然后修正模块预测该锚点与真实动作之间的残差。
  • 对机械臂运动来说，最终动作是 anchor + residual，所以第二个模块只学习粗规划后剩下的小修正。
  • 训练是顺序进行的：先用原始动作目标训练锚点规划器，再冻结它，并用相对锚点的残差训练残差分支。
  • 对夹爪控制，论文加入了一个感知决策的修正头，根据锚点夹爪预测离张开/闭合决策边界有多近来进行修正。
  • 该方法可以接入基于回归和基于扩散的 VLA 主干，文中用 GR-1 和 X-VLA 做了演示。

结果

  • 在 LIBERO-LONG 上，AnchorRefine (GR-1) 将成功率从 74.5% 提升到 82.3%，提升 7.8 个百分点。
  • 在 LIBERO-LONG 上，AnchorRefine (X-VLA) 将成功率从 95.8% 提升到 97.4%，提升 1.6 个百分点。
  • 在 CALVIN ABC→D 上，AnchorRefine (GR-1) 将 5 任务链成功率从 52.0% 提升到 55.3%（+3.3），3 任务成功率从 68.5% 提升到 71.9%（+3.4），平均序列长度从 3.51 提升到 3.64（+0.13）。
  • 在 CALVIN ABC→D 上，AnchorRefine (X-VLA) 将 5 任务链成功率从 74.6% 提升到 76.5%（+1.9），4 任务成功率从 81.3% 提升到 83.7%（+2.4），3 任务成功率从 86.9% 提升到 89.1%（+2.2），平均序列长度从 4.31 提升到 4.40（+0.09）。
  • 摘要声称仿真成功率最高提升 7.8%，真实世界成功率最高提升 18%。
  • 在列出的 LIBERO 结果中，AnchorRefine (X-VLA) 达到 97.4%，高于表中的 95.8% X-VLA 基线和 95.2% AtomicVLA 结果。

Link