2026年8月4日 · UVT
Unified Visuomotor Targets: Supervising VLAs Beyond Physical Actions
UVT (Unified Visuomotor Target) 是一种统一的潜在预测目标，用于训练视觉-语言-动作模型（VLA），无需架构更改或额外数据。在模拟基准和真实双臂操作任务中，UVT 提高了训练效率、最终任务性能和策略鲁棒性，尤其在有限训练预算和挑战性环境条件下表现突出。
EVENT STORY
发展脉络
- 首次出现Unified Visuomotor Targets: Supervising VLAs Beyond Physical ActionsarXiv cs.RO
- 当前判断该研究暗示，VLA 模型的性能瓶颈可能部分源于训练目标与模型表示能力的不匹配，而非模型架构本身。这为机器人学习领域提供了一种低成本改进路径，可能影响未来 VLA 模型的设计和训练策略。Agent Pulse · 分析
VLA 模型通常被训练为从视觉和语言观察中预测机器人动作，但这一选择存在不匹配：VLM 编码丰富的场景和目标高级表示，而机器人动作是低层信号，任务结构有限。UVT 提出改变策略训练时的预测目标，而非架构设计，以联合编码电机控制和视觉场景转换信息。该方法无需架构更改或额外数据，应用于两个代表性 VLA 系统，在模拟基准和真实双臂操作任务中，UVT 提升了训练效率、最终任务性能和策略鲁棒性，尤其在有限训练预算和挑战性环境条件下增益显著。
UVT 的核心在于将预测目标从低层动作信号扩展为统一的潜在目标，同时编码电机控制和视觉场景转换，这使策略能够利用视觉场景中的高层结构信息。该方法无需架构更改或额外数据，表明通过调整训练目标而非模型结构，可以更有效地利用 VLM 的表示能力。
该研究暗示，VLA 模型的性能瓶颈可能部分源于训练目标与模型表示能力的不匹配，而非模型架构本身。这为机器人学习领域提供了一种低成本改进路径，可能影响未来 VLA 模型的设计和训练策略。
UVT 无需额外数据或架构更改即可提升训练效率和鲁棒性，可能降低机器人策略的训练成本和时间，对机器人公司具有潜在价值，尤其是在数据稀缺或环境复杂的应用场景。
后续可验证信号包括：UVT 是否在更多 VLA 架构和任务上复现其增益，以及是否被集成到主流机器人学习框架中。