内容摘要
预训练机器人策略具备任务知识，却可能因环境与本体差异而难以可靠执行。作者提出GLOVES，在不更新底层策略参数的前提下，用专家动作先验修正智能体提出的动作块，将任务理解与执行修正分离。
该先验从图像—动作示范中学习，训练和修正均不显式输入目标，由原始动作块提供意图线索。反向流评分门控让符合专家分布的动作直接执行，仅修正异常动作，无需另训检测器。GRIP结合部分加噪与能量引导，仅需专家流；LIFT额外学习智能体流，通过向专家分布输运进行修正，避免选择部分加噪深度。
作者在三项仿真任务及UR5的两项真机任务中评估。Slalom仿真中，LIFT将FLOWER系VLA成功率从33.06%提高至76.67%，CaP从63.67%提高至97.67%；两类智能体应各自对照无辅助基线。真机充电器插接中，GRIP将成功次数从18/40提高至40/40。这些是作者实验结果；“不更新”指适配阶段，所用FLOWER在相关任务上已先行微调，并非未经任务训练即可获得上述表现。
点评
提供一种把任务理解留给底层智能体、以目标无关专家先验选择性修正执行动作的适配路径。
证据为作者论文，不能视为独立复现或通用能力证明。评估限于所列任务；门控的净计算收益取决于干预率和修正成本。
版本与核查范围
版本 2606.06461v2 · 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 #abstract1.1；#abstract1.1；#S6.SS1.SSS0.Px2.p1.1；#S1.p2.1；#S1.p4.1；#S1.p3.1；#S6.SS1.SSS0.Px1.p1.1；#S6.SS2.SSS0.Px1.p1.1；figcaption[90]；#S6.SS2.SSS0.Px2.p1.1；#A2.SS5.SSS2.p1.1；#S6.SS3.SSS0.Px4.p1.2