Tag · 13 篇
扩散策略
TRM-VLA：面向视觉-语言-动作模型的时序感知思维链推理与记忆
TRM-VLA: Temporal-Aware Chain-of-Thought Reasoning and Memorization for Vision-Language-Action Models
TRM-VLA 将时序感知的思维链推理与记忆机制引入 VLA 模型，其关键帧触发推理（KTR）和粒度自适应上下文记忆（GCM）可被视觉研究者复用于需要长程规划与实时执行的机器人操作任务，为视觉-语言-动作模型的推理效率与一致性提供新思路。
REACH：面向扩散策略的显式恢复行为
REACH: Explicit Recovery Behavior for Diffusion Policies
把生成模型中的负提示思想迁移到扩散策略的动作采样上：用误差检测器识别 OOD 执行历史并构造负动作提示，从而在推理时抑制次优动作模态，这一思路可直接复用于视觉-语言-动作模型的动作去噪与采样引导。
像素运动扩散正是机器人控制所需
Pixel Motion Diffusion is What We Need for Robot Control
把像素运动作为高层意图与低层动作之间的可解释中间表示，并用扩散模型同时建模两层控制器；做视觉-语言-动作（VLA）或机器人操作的研究者可以借鉴这种「运动中心」的中间抽象来缓解仿真到现实的域差，并复用其仅需少量微调即可真机迁移的流程。
GraspLDP：通过潜变量扩散实现可泛化的抓取策略
GraspLDP: Towards Generalizable Grasping Policy via Latent Diffusion
把抓取位姿先验与抓取性（graspness）自监督重建目标注入潜扩散策略的反向去噪过程，可作为在视觉-动作策略中嵌入几何/任务先验的通用手段，对做机器人操作与视觉-动作联合建模的研究者可直接复用。
全局先验遇上局部一致性：面向高效机器人操作的双记忆增强视觉-语言-动作模型
Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation
用检索到的任务级先验替代高斯噪声来缩短扩散策略的生成路径，并用局部一致性记忆约束时序平滑，可直接迁移到视觉-语言-动作模型的少步动作生成与长程操作任务。
FloVerse：户型图引导的多模态导航
FloVerse: Floor Plan-Guided Multi-Modal Navigation
把户型图作为紧凑空间先验注入具身导航策略，并用掩码模态建模训练扩散式多模态目标推理模块，可复用到任何需要跨模态目标定位与安全执行的视觉导航或VLA系统中。
Evo-1：保持语义对齐的轻量级视觉语言动作模型
Evo-1: Lightweight Vision-Language-Action Model with Preserved Semantic Alignment
提出一种轻量级视觉语言动作模型架构，通过跨模态扩散Transformer和两阶段训练保持视觉语言骨干的语义对齐，为视觉研究者提供将VLM高效适配到机器人控制任务的思路，并展示了在低参数量下实现实时推理的可行性。
你会即兴吗？通过音频控制的富有表现力的人形机器人运动
Do You Have Freestyle? Expressive Humanoid Locomotion via Audio Control
把音频当作隐式风格信号、跳过显式动作重建直接生成可执行的人形运动，这种「内容+风格」解耦的音频到运动扩散策略可迁移到视觉侧的音频驱动人体动作生成与动作重定向任务，避免级联误差与高延迟。
CoMo：从互联网视频中学习连续潜运动以实现可扩展的机器人学习
CoMo: Learning Continuous Latent Motion from Internet Videos for Scalable Robot Learning
用早期时序差分与时间方向反转构造正负样本的时序对比学习，从互联网视频中无监督地提取连续潜运动表征，可直接为视觉策略学习生成伪动作标签，是一种可复用的视频表征预训练手段。
CUBic：协调统一的双臂感知与控制框架
CUBic: Coordinated Unified Bimanual Perception and Control Framework
把双臂协调建模为共享 token 化表征问题，用两个共享映射的码本实现双向感知协调，再接扩散策略输出动作；对做视觉运动策略的人，这是一套可复用的「感知表征统一 + 扩散动作头」范式，可直接迁移到其他多智能体或多末端操作设定。
CLaD：通过跨模态潜变量动力学进行有据前瞻的规划
CLaD: Planning with Grounded Foresight via Cross-Modal Latent Dynamics
把本体感知与语义状态用非对称交叉注意力对齐成统一的潜空间动力学，并用自监督预测未来潜变量来条件化扩散策略；做视觉-动作联合建模或机器人操作策略学习时，这套『预测有据的潜变量前瞻 + 扩散动作生成』结构可直接复用。
超越模仿：从人际示范中学习全身人-人形机器人交互
Beyond Mimicry: Learning Whole-Body Human-Humanoid Interaction from Human-Human Demonstrations
PAIR 的接触中心两阶段重定向思路可迁移到任意跨形态动作迁移（如人手到机械手、人体到虚拟人），其核心是显式保留接触语义而非只对齐关节轨迹；D-STAR 的「何时动/何处动」解耦加扩散检测头结构，为视觉-动作联合建模提供了一种可复用的分层策略设计。
面向双臂操作的动作-几何预测与3D几何先验
Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation
把预训练3D几何基础模型作为策略的感知骨干，用扩散模型联合预测动作块与未来3D latent（解码为稠密点图），为视觉研究者提供了一条仅用RGB观测就获得几何感知与场景演化预测的可复用路线，可迁移到其他需要空间推理的视觉-动作任务。