Lights, Camera, Malfunction: When Illumination Robustness Leaves VLA Models Blind to Color

📄 arXiv: 2607.14698v1 📥 PDF

作者: Marino Watanabe, Takami Sato, Kentaro Yoshioka

分类: cs.RO

发布日期: 2026-07-16

💡 一句话要点

提出ChromaGuard以解决VLA模型对颜色敏感性的问题

🎯 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 对抗训练 颜色敏感性 机器人操作 模型鲁棒性

📋 核心要点

  1. 现有的VLA模型在真实环境中对颜色的敏感性导致其在面对特定攻击时表现不佳，成功率显著下降。
  2. 本文提出FLARE攻击框架和ChromaGuard对抗训练方法，旨在增强VLA模型对颜色信息的敏感性，避免其将颜色视为噪声。
  3. 实验结果表明，ChromaGuard在颜色依赖任务中成功率显著提高，良性任务成功率达到97.5%，攻击任务成功率为92.5%。

📝 摘要（中文）

视觉-语言-动作（VLA）模型在通用机器人操作中表现出色，但在真实环境中却暴露出对微小环境扰动的脆弱性。本文提出FLARE，一个优化的物理聚光灯攻击框架，通过针对性照明利用这些脆弱性，使基线任务成功率降至零。我们发现，简单的数据增强会错误地使VLA模型将颜色视为噪声，导致其视觉感知仅依赖形状。通过灰度评估，我们揭示了这一退化现象。为了解决这个问题，我们提出了ChromaGuard，一种保持色度的对抗训练方法。在物理6自由度机器人平台上，ChromaGuard在良性和攻击的颜色依赖任务中分别达到了97.5%和92.5%的成功率。

🔬 方法详解

问题定义：本文旨在解决VLA模型在真实环境中对颜色信息的脆弱性，现有方法在简单数据增强下，导致模型将颜色视为噪声，影响任务成功率。

核心思路：通过提出ChromaGuard对抗训练方法，保持模型对颜色信息的敏感性，避免其在面对攻击时丧失视觉感知能力。

技术框架：整体架构包括FLARE攻击框架和ChromaGuard训练模块。FLARE通过物理聚光灯攻击模型，ChromaGuard则在训练过程中强化模型对颜色的学习。

关键创新：ChromaGuard的提出是本文的核心创新，它通过对抗训练保持色度信息，使得模型在面对颜色依赖任务时表现更为稳健，与传统方法相比，显著提升了模型的成功率。

关键设计：在ChromaGuard中，采用特定的损失函数来强化颜色特征的学习，同时调整网络结构以增强对颜色信息的提取能力，确保模型在多样化的输入条件下依然保持高效的视觉感知能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，ChromaGuard在良性任务中的成功率达97.5%，在攻击任务中的成功率为92.5%，相比未防御模型的47.5%有显著提升，证明了其有效性。

🎯 应用场景

该研究的潜在应用领域包括机器人操作、自动驾驶、智能监控等需要高精度视觉识别的场景。通过增强模型对颜色的敏感性，能够提高机器人在复杂环境中的操作能力，提升其在实际应用中的可靠性和安全性。

📄 摘要（原文）

Vision-Language-Action (VLA) models have emerged as a powerful paradigm for general-purpose robot manipulation; however, their transition to real-world environments reveals vulnerabilities to minor environmental perturbations. We propose FLARE, an optimized physical spotlight attack framework that exploits these vulnerabilities via targeted illuminations, dropping baseline task success rates to zero without any access to model internals. While adversarial training is the standard countermeasure, we identify a critical and previously underestimated defensive pitfall: naive data augmentations incorrectly condition VLA models to discard color as noise, collapsing their visual perception into a purely shape-biased processor. We expose this degradation through a diagnostic grayscale evaluation, in which the defended model maintains high success rates on grayscale inputs, while its success rate on benign, color-dependent real-world tasks drops to at most 47.5%, well below the undefended baseline. To address this, we propose ChromaGuard, a chroma-preserving adversarial training method. On a physical 6-DoF robotic platform, we demonstrate that ChromaGuard achieves 97.5% and 92.5% success rates in benign and attacked color-dependent tasks, respectively.