GeoBridge-VLA: Geometry-Aware Residual Adaptation for Vision-Language-Action Models
GeoBridge-VLA提出两阶段残差适配方法,在冻结VLA视觉编码器基础上引入几何解码器与门控残差接口,仅用RGB+语言+机器人状态输入,在LIBERO上将成功率从60.0%提升至70.9%,并在ROBOTIS OMY真机四任务中达74.0%(vs 54.0%)。
展开解读与证据
GeoBridge-VLA提出两阶段残差适配方法,在冻结VLA视觉编码器基础上引入几何解码器与门控残差接口,仅用RGB+语言+机器人状态输入,在LIBERO上将成功率从60.0%提升至70.9%,并在ROBOTIS OMY真机四任务中达74.0%(vs 54.0%)。
为什么值得关注
为VLA模型弥补空间推理短板提供可部署的轻量级架构,不增加token数或图像编码器,且无需深度输入部署。
研究问题
现有VLA模型擅长语义理解但缺乏精确几何推理能力,制约接触丰富操作性能。
方法原理
Stage I:用深度监督训练特征桥与几何解码器;Stage II:冻结前序模块,训练门控残差接口+动作投影+动作专家,将几何特征以残差形式注入原始视觉token。
结果与证据
LIBERO整体成功率70.9%(SmolVLA为60.0%);ROBOTIS OMY四任务148/200成功(SmolVLA为108/200);消融显示残差关闭导致成功率降至69.85%。
阅读边界
残差模块贡献有限(关闭后仅降1.05%),效果在不同任务套件中不一致;真机实验仅限四任务、200次总试次,未报告失败模式或泛化到新物体/场景能力。
评论 · —
昵称自填。评论会展示给其他读者,请勿填写私人信息。
正在读取评论…