流控制：用简单实时输入引导视觉-语言-动作模型
arXiv:2606.10180v2 提出对视觉-语言-动作（VLA）模型的“流控制”方法：将键盘等通用用户输入写入VLA流匹配动作专家的初始条件，利用流的确定性在积分过程中保留用户输入信息，无需重新训练或微调即可实时引导动作。作者报告该方法能准确响应地引导机器人动作、对次优输入鲁棒、帮助用户显著提高成功率并加快任务完成，且在流控制轨迹上微调可改进自主策略。
发布于 10-22 10:56来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Flow Control: Steering Vision-Language-Action Models with Simple Real-Time Inputs》查看原链
我们提出视觉-语言-动作（VLA）模型的流控制方法，通过键盘等通用输入实时引导VLA动作。 该方法开箱即用，无需重新训练或微调VLA。 它能让相对粗糙的用户输入引导VLA对齐用户意图。 流控制将用户输入写入VLA流匹配动作专家的初始条件。 由于流是确定性的，积分过程在将输入推向训练中学到的动作分布时保留用户输入信息，使生成动作既反映用户意图（高保真）又贴近VLA自身未引导动作（高一致性）。
我们证明流控制具有多项理想特性：(1) 能准确、响应迅速地用用户输入引导机器人动作；(2) 对次优用户输入具有鲁棒性；(3) 能让用户引导VLA显著提高成功率并加快任务完成；(4) 在流控制轨迹上微调VLA可改进自主策略。 这些结果为用户提供了一种简单直观的方式来帮助引导VLA动作，提升任务表现。
项目页面与视频：https://jcykao.github.io/flowcontrol/。