动作学习正在变得更精确，而 VLA 鲁棒性仍然落后
这一天最强的模式是实用的动作学习。论文通过缩短预测、动作和控制细节之间的距离，改进了机器人和驾驶系统。最明显的提升来自经过验证的世界模型、更平滑的动作分布，以及几何感知规划。与此同时，Tex3D 表明当前 VLA 模型仍然很容易被物体级视觉攻击打偏。
主题概况
Uav Tracking
具身策略可靠性检查
近期工作支持三项具体流程改动：把动作容差和控制器增益当作同一个机器人微调循环的一部分；在规划路径里用显式几何来评估驾驶 world-action model；在 VLA 操作发布门禁里加入物体表面对抗测试。证据最强的地方，是论文把指标直接连到部署选择上，包括基于 FAN 的微调在 ManiSkill 上的成功率提升、深度优先驾驶模型在 Navsim 上的规划提升，以及 Tex3D 攻击带来的大幅失效率上升。