CARE：通过经验引导的校正执行提升机器人 VLA 策略的鲁棒性
研究人员提出了 CARE（Corrective Atomic Robotic Execution）框架，旨在提升机器人“视觉-语言-动作”（VLA）策略的可靠性。现有的 VLA 策略在偏离标准轨迹时容易失效。CARE 通过学习执行过程中的失败经验，建模失败后的偏差分布，并合成具有代表性的失败状态与校正示范。在推理阶段，CARE 结合阶段式规划与物理 3D 监控，在保留任务进度的同时触发动态微调或重新操作。研究团队还推出了评估失效恢复能力的 FSR-Bench 基准测试。实验表明，CARE 在模拟环境中将任务成功率平均提升 14.5%，在真实双臂机器人任务中提升 15.9%。相关代码与模型已开源。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。