来源笔记
CorridorVLA: Explicit Spatial Constraints for Generative Action Heads via Sparse Anchors
摘要
CorridorVLA 通过预测少量未来末端执行器运动锚点，并用它们来塑造动作损失，为视觉-语言-动作策略加入了显式空间约束。在 LIBERO 和 LIBERO-Plus 上，它在 SmolVLA 和 GR00T 上都带来了稳定提升，而且几乎不需要改动架构。
问题
- 许多 VLA 模型把空间引导放在潜在特征或视觉特征里传递，所以动作头只能间接获得位置和运动信息。
- 在机器人操作中，生成的动作轨迹可能偏离合理的空间推进，尤其是在 flow matching 这类随机生成式动作头下。
- 这很重要，因为更好的空间引导能提高长时序、接触密集型操作基准上的任务成功率，比如 LIBERO 和 LIBERO-Plus。
方法
- 模型预测 稀疏空间锚点：在动作块中的选定时间步上，预测少量未来末端执行器 3D 增量位置。
- 这些锚点定义了目标空间演化周围的一条 走廊。如果生成轨迹超出这个容差区域，损失会把它拉回；如果它留在区域内，仍会用一致性项进一步修正。
- 动作输出增加了末端执行器增量位置字段（
extra-A），让动作头和锚点预测使用同一种物理量。 - 训练由三部分组成：基础 flow-matching 损失、锚点预测损失，以及带缓冲项和走廊内累计一致性项的走廊正则项，并在较低噪声水平下赋予更高权重。
- 这个方法很轻量：论文使用
K=3个锚点 token，其余骨干网络和训练设置基本不变。
结果
- LIBERO，SmolVLA：
SmolVLA-Corr的成功率从 86.5% 升到 90.95%，提高 4.45 个百分点。按类别看，Long/Goal/Object/Spatial 从 72.0/89.0/87.0/98.0 变为 85.2/90.8/95.8/92.0。 - LIBERO-Plus，SmolVLA： 成功率从 45.37% 升到 57.74%，提高 12.37 个百分点（文中写作 12.4%）。按类别看，得分从 46.53/35.89/66.2/32.85 变为 49.27/55.27/72.36/54.04。
- LIBERO-Plus，GR00T：
GR00T-Corr的成功率从 75.23% 升到 83.21%，提高 7.98 个百分点。按类别看，得分从 62.21/68.54/84.55/85.64 变为 74.55/85.75/88.4/84.14。 - 锚点目标选择： 预测 增量位置 比绝对位置更好，在 LIBERO 4-in-1 上，平均成功率是 87.5%；绝对位置是 86.5%，基础模型也是 86.5%。
- 组件组合： 在 LIBERO 上，
merge达到 89.0%，+L_buf达到 89.5%，+L_cons达到 90.4%，完整的走廊损失达到 90.95%，说明走廊里的两个项都有效。 - 论文称新增计算开销可以忽略，因为方法主要只增加了 3 个未来状态预测 token，并改动训练目标。