ATI-VLA: Action-Centric Predictive Vision-Language-Action Models via Actionable Alignment Then Adaptive Injection

📄 arXiv: 2610.01741v1 📥 PDF

作者: Yijie Zhu, Rui Shao, Jie He, Wei Li, Bo Zhao, Yelin Wang, Xiaochen Yuan, Tao Tan, Miao Zhang, Xiaojiang Peng, Zitong Yu

分类: cs.CV

发布日期: 2026-10-01

备注: Accepted to NeurIPS 2026. Project page: https://jiutian-vl.github.io/ATI-VLA-page/

💡 一句话要点

提出ATI-VLA以解决机器人操作中的动作预测不足问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作 机器人操作 模态对齐 自适应注入 预测模型

📋 核心要点

  1. 现有的预测性视觉-语言-动作模型在机器人操作中表现不佳，主要由于观察与动作之间的模态不对齐。
  2. ATI-VLA框架通过共享代码本对观察和动作表示进行对齐，并通过自适应注入实现动作中心的预测指导。
  3. 实验结果显示，ATI-VLA在多项仿真和真实任务中均达到了最先进的性能，且收敛速度显著提升。

📝 摘要（中文）

预测性视觉-语言-动作（VLA）模型旨在通过未来观察或世界动态预测来改善机器人操作。然而，现有方法往往无法实现这一潜力，且在直接动作预测模型中表现不佳。我们认为，这些局限性源于观察与动作之间的模态不对齐，以及驱动学习偏离以动作为中心目标的联合优化冲突。为此，我们提出ATI-VLA，一个通过可操作对齐然后自适应注入的动作中心预测视觉-语言-动作框架。具体而言，它遵循两个步骤：1）通过共享代码本进行可操作表示对齐；2）通过轻量级自适应侧路径将预测观察潜在变量注入动作解码，提供自适应预测指导。大量在仿真和真实世界机器人任务上的实验表明，ATI-VLA实现了最先进的性能，并且收敛速度更快。

🔬 方法详解

问题定义：论文旨在解决现有预测性视觉-语言-动作模型在机器人操作中的不足，尤其是模态不对齐和联合优化冲突导致的性能低下问题。

核心思路：ATI-VLA通过两个步骤实现动作中心的预测：首先对观察和动作表示进行可操作对齐，然后通过自适应注入预测潜在变量来增强动作解码过程。

技术框架：整体架构包括两个主要模块：1）通过共享代码本进行可操作表示对齐，2）通过轻量级自适应侧路径将预测观察潜在变量注入动作解码。

关键创新：最重要的创新在于通过共享代码本实现模态对齐，并通过自适应注入机制将预测信息有效整合到动作生成中，显著提升了模型的预测能力。

关键设计：在设计中，采用了统一的离散潜在空间来映射观察和动作表示，并使用轻量级的侧路径结构来实现自适应注入，确保了模型的高效性和灵活性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ATI-VLA在多项仿真和真实世界任务中表现出色，达到了最先进的性能，相较于基线模型，收敛速度提高了显著的幅度，验证了其在动作预测中的有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括智能机器人、自动化制造和人机交互等。通过提高机器人对未来动态的预测能力，ATI-VLA能够在复杂环境中实现更高效的操作，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Predictive Vision-Language-Action (VLA) models aim to improve robotic manipulation via future observation or world dynamics forecasting. However, existing approaches often fail to realize this potential and underperform direct action prediction models. We argue that these limitations stem from modality misalignment between observations and actions, together with joint optimization conflicts that drive learning away from an action-centric objective. To this end, we introduce ATI-VLA, an Action-Centric Predictive Vision-Language-Action framework via Actionable Alignment Then Adaptive Injection. Specifically, it follows a two-step design: 1) Actionable Representation Alignment via a Shared Codebook. It aligns predictive observation and action representations by mapping both modalities into a shared discrete latent space via a unified codebook, making predictive observation latents readily usable for action generation and mitigating modality misalignment. 2) Action-Centric Adaptive Injection of Predictive Latents. Building upon this, it then injects predictive observation latents into action decoding as explicit predictive priors via a lightweight adaptive side-path, enabling adaptive predictive guidance under a single action-centric objective. Extensive experiments on both simulation and real-world robotic tasks demonstrate that ATI-VLA achieves state-of-the-art performance with faster convergence.