国大团队ActionUNet微调框架,让VLA困难场景成功率提升11.4个百分点
机器之心 · wechat · 2026-11-23
中国科学院大学LAMP实验室提出 ActionUNet,一种面向预训练 VLA 模型的高效多尺度微调框架,解决 SFT 后模型在干扰物、光照变化等困难场景下鲁棒性不足的问题。
方法要点
- Temporal U-Net 多尺度动作建模:对动作特征逐级下采样/上采样,融合粗细不同的时间尺度信息,兼顾整体运动结构与局部细节;
- 条件 SIREN 连续动作解码:将一段动作表示为可随时间查询的连续函数,用 Matérn 核加权融合,减轻高频抖动;
- 高效微调:冻结预训练主干,仅训练动作专家与新增模块,可接入流匹配式 π0.5 或回归式 OpenVLA-OFT,单张 RTX 4090 可训,推理延迟仅增加约 6.46%。
实验结果
- RoboTwin2.0 Hard 设置:π0.5 平均成功率 29.8%→39.6%(+9.8pt);
- LIBERO-Plus 七类扰动:65.8%→71.9%,标准 LIBERO 达 97.7%;
- 真实双臂机器人干扰物场景:57.3%→68.7%(+11.4pt);
- 消融显示仅平滑动作或增加参数都不够,收益关键在多尺度动作特征建模。
论文:arXiv 2609.34982,代码已开源。
「具身」频道最新
- 机械工程师让 AI 设计机器人:出图选机构后感叹「比我强」 — burhop · 2026-11-23
- Tesla Optimus 实测铺地板:测量、切割、敲实一气呵成 — ChuckDBrooks · 2026-11-23
- 两行提示词让模型控制机器人夹爪成功率 50%→100% — YuXiang_IRVL · 2026-11-23
- 扫地机器人市场 stagnation:Dyson R1 Nurovi 成 2022 年后罕见新品 — Technovangelist · 2026-11-23
- Rutgers 发布 ChatBCI:EEG+本地 LLM 让渐冻症患者表达提速近一倍 — emmanuelvivier · 2026-11-23
- 西门子与 AGIBOT 用智能体工作流从文本直接生成机械夹爪 — emmanuelvivier · 2026-11-23