Tag · 5 篇
长程任务规划
SemanticVLA：通过协同显式轨迹与潜变量动作规划实现超越动作记忆的语义推理
SemanticVLA: Towards Semantic Reasoning over Action Memorization via Synergistic Explicit Trace and Latent Action Planning
对做具身智能与 VLA 的研究者，这篇给出了把 VLM 的预训练空间视觉定位能力直接转成可解释文本坐标轨迹（显式 trace）并与潜变量动作词元互补的规划范式，可作为替代纯动作监督微调的思路，也提供了指令改写鲁棒性的评测视角。
PALM：面向长程机器人操作、经由可供性推理的进度感知策略学习
PALM: Progress-Aware Policy Learning via Affordance Reasoning for Long-Horizon Robotic Manipulation
把可供性（物体相关性、接触几何、空间摆放、运动动态）作为视觉-运动控制的中间表征来蒸馏，并配合连续子任务进度预测，为 VLA 类模型提供可复用的长程执行稳定化思路。
MANSION：面向长程任务的多楼层语言到 3D 场景生成
MANSION: Multi-floor lANguage-to-3D Scene generatIOn for loNg-horizon tasks
把语言驱动的程序化生成扩展到带垂直结构约束的多层建筑级 3D 场景，为视觉/具身研究者提供可导航、可编辑的大规模室内环境生成器与评测床，可直接用于长程跨楼层导航与空间推理智能体的训练与压力测试。
从手册到动作：面向思维链手册生成与机器人操作统一视觉-语言-动作模型
From Manuals to Actions: A Unified VLA Model for Chain-of-Thought Manual Generation and Robotic Manipulation
把多模态手册（图像+视觉提示+文本）作为中间表示，经 ManualCoT 注入动作专家，为长程操作任务提供显式控制条件与隐式潜变量引导；其基于 3D 高斯泼溅的数字孪生数据自动生成管线，可用于低成本扩充机器人操作训练数据。
BiPreManip：通过前瞻性协作学习基于可供性的双臂预备操作
BiPreManip: Learning Affordance-Based Bimanual Preparatory Manipulation through Anticipatory Collaboration
把视觉可供性作为双臂之间的共享中间表示，先预测目标动作的可供性、再反推预备动作，这种「可供性前瞻推理」可直接迁移到其他长程操作与工具使用任务中，作为跨臂/跨步骤的协调接口。