TaskAnchor：为长时程操作中的反应式VLA锚定任务状态

图 2：TaskAnchor 总体框架。(a) TaskAnchor 为预训练的响应式（reactive）VLA 增广了以记忆为依据的任务状态条件。它利用当前观测与执行历史预测一个坐标和一个残差视觉偏移量，这两个输出分别通过 VLA 原生的语言接口与视觉接口对其施加条件。(b) 给定当前视觉特征，以及用 Φ(·) 由历史特征构建的紧凑记忆，TaskAnchor 使用 L 层建模时序交互，随后两个输出头分别预测坐标与视觉偏移量。图片出处

图 3：任务状态条件化操作的真实世界任务。(a) 人工提示匹配：人工移除并放回一个提示物（cue object）后，机器人从底排中识别并抓取对应的物体，展示将外部交互历史用作时序上下文的能力。(b) 连续三次抬起红色方块：重复的“抬起—放回”循环三次，需要维持执行阶段并在第三次之后终止。(c) 薯片袋结账：机器人执行薯片袋检查、条形码方向调整、扫描以及最终放置，需要一致的多阶段状态跟踪。所有面板均为裁剪后的第三人称 RGB 帧，按从左到右排列。彩色方框标示人工提示物及其对应目标。真实机器人实验的更多细节见附录 C.3。图片出处

内容摘要

反应式视觉—语言—动作模型（VLA）在长时程操作中可能遇到“任务状态混淆”：相似画面与相同指令，在不同执行阶段却要求不同动作。作者提出TaskAnchor轻量适配框架，将历史信息转为任务状态条件。

方法采用任务状态坐标与视觉残差双通路：以里程碑监督学习语义执行阶段，将坐标前置于语言指令；用历史证据修正当前视觉特征。不引入独立规划器，也不改变原有动作生成机制；适配器与策略在后训练中联合优化，推理时不需真实阶段标注。

作者报告，在RMBench的M(1)、demo clean设置下，联合多任务训练的π0.5与X-VLA版本平均成功率分别为0.70、0.66；逐任务训练分别为0.79、0.70。RoboMemArena中，π0.5版本的完整任务成功率为50.0%、累计阶段成功率为74.2%，较π0.5分别提高28.5、35.5个百分点。真机的人类提示匹配、红块重复举起和薯片袋结账任务各进行25次试验，TaskAnchor-XVLA均完成25次；这些结果限于论文所述任务与协议。

点评

作者实验支持将历史证据与显式阶段条件结合，用于改善预训练VLA的历史依赖动作选择，而非另设规划循环。

后训练仍依赖任务特定的语义阶段标注；对完全未见任务、新物体配置和未见执行结构的迁移尚未充分评估，不能据此推断通用长时程能力。

版本与核查范围

版本 2609.23580v4 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。

原文与定位

原文链接 #S1.p1.1；#S1.p4.1；#S3.SS3.p1.2；#S3.SS4.p1.1；#S4.p1.1；#S4.SS1.SSS0.Px1.p1.1；#S4.SS1.SSS0.Px2.p1.1；#S4.SS1.SSS0.Px2.p1.1；#S4.SS2.SSS0.Px1.p1.1；#S4.SS2.SSS0.Px2.p1.1；#S4.SS5.SSS0.Px1.p1.1；#S4.SS5.SSS0.Px1.p2.fig1.3

内容摘要

点评

原文与定位

关联知识节点

收录报告