Echo：面向视觉-语言-动作模型的耦合动作与任务状态信号去噪
论文提出 Echo 框架，在单个 VLA 策略内同时学习任务状态信号与动作生成：用停止、失败两个信号作为每个动作块的两个维度，与机器人动作一起去噪，其组合可区分执行中、成功完成与失败。该方法无需帧级进度标注，通过构建成功、失败、恢复三类互补监督轨迹来学习信号；并让状态信号比动作更快去噪，使后续动作去噪以更干净的状态估计为条件。真实世界操作实验显示 Echo 能准确预测任务状态并持续提升策略性能。
发布于 10-23 23:02来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Echo: Coupled Action and Task Status Signal Denoising for Vision Language Action Models》查看原链
arXiv:2610.31569v1 公告类型：新论文 摘要：识别任务完成与失败，能让机器人在成功时停止、在失败后启动恢复或重新规划。 现有方法通过为视觉-语言-动作（VLA）策略增加任务状态信号预测来支持这些执行决策。 然而，学习和整合这些信号可能需要细粒度监督、外部监控模型或复杂的架构设计。
此外，任务状态信号直接引导动作生成的潜力仍未被充分探索。 我们提出 Echo，一个将无需帧级进度标注的任务状态信号学习，与在单个 VLA 内进行状态预测和动作生成的紧凑设计相结合的框架。 具体而言，Echo 用停止信号和失败信号表示任务状态，将它们作为每个动作块的两个维度加入，并与机器人动作一起去噪。
二者的组合可区分执行中、成功完成和失败三种情况。 为在无细粒度进度标注的情况下学习这些信号，Echo 构建了具有互补监督特性的成功、失败和恢复轨迹。 为实现状态信号引导的动作生成，Echo 控制信号与动作之间的交互，并让信号比动作更快地去噪。
这使得后续动作去噪步骤能够以更干净的状态估计为条件，同时保持准确的信号预测。 大量真实世界操作实验表明，Echo 能准确预测任务状态，并持续提升策略性能。