通过逆动力学学习缓解视觉-语言-动作模型中的状态混淆

Kyujin Lee, Injae Kim, Jihwan Park, Yejun Ju, Minseok Joo, Hyunwoo J. Kim

摘要

本文提出在视觉-语言-动作模型中引入逆动力学学习作为辅助目标，通过预测当前与未来观测之间的动作，直接监督视觉编码器捕获细粒度视觉差异，从而缓解状态混淆问题。该方法通过伪反向监督进一步暴露编码器对动作关键视觉特征的敏感性，提升了低层控制性能。

state aliasinginverse dynamicsvision-language-actionrobot manipulationvisual representation

MANIPULATION

📊 2 引用

Yusen Li, Ziwei Wang, Xiangye Zhu 等 12 位作者

Robotics and Computer-Integrated Manufacturing · 2026

MANIPULATION

📊 1 引用

Shaoqing Qin, Lida Zhu, Yanpeng Hao 等 10 位作者

Robotics and Computer-Integrated Manufacturing · 2026

MANIPULATION

📊 0 引用

Bo Li, Yuanbo Zhao, Huijie Xiao 等 6 位作者

Robotics and Computer-Integrated Manufacturing · 2026

MANIPULATION

📊 0 引用

Hao Li, Yuhui Yu, Rui Fu 等 6 位作者

Robotics and Computer-Integrated Manufacturing · 2026