Causeway: Restoring Task Accessibility for Instruction Switching in VLA Policies

📄 arXiv: 2609.30913v1 📥 PDF

作者: Qingzi Wang, Kaixi Feng, Guangyao Shi, Xiyang Wu, Ang Li, Dinesh Manocha

分类: cs.RO

发布日期: 2026-09-25

💡 一句话要点

提出Causeway以解决VLA策略中的指令切换问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作 指令切换 任务可达性 无训练干预 机器人控制 多模态学习

📋 核心要点

  1. 现有的VLA策略在执行任务时，新的指令可能因前一个任务的状态改变而无法成功执行，造成任务切换的困难。
  2. 本文提出Causeway，通过在推理阶段进行状态导向的干预，解决了指令切换时的任务可达性问题，避免了训练过程中的复杂性。
  3. 实验结果显示，Causeway显著提高了任务切换的成功率，尤其是在不同的任务切换时机和VLA架构下，表现出良好的适应性和效果。

📝 摘要（中文）

视觉-语言-动作（VLA）策略能够从标准初始状态执行多项任务，但在执行不同任务后，新的指令可能会失败。本文研究了指令切换问题，发现目标任务在标准初始状态下可可靠完成，但在前一个任务产生的状态下可能变得不可达。我们提出了Causeway，这是一种无训练的推理时干预方法。给定当前状态和目标任务的重新进入姿态，Causeway通过冻结的解码计算进行反向传播，并在动作流表示中应用状态导向的写入。VLA能够自我解码返回运动，无需参数更新、新的动作头或外部动作生成。在LIBERO-Goal上，Causeway将裸切换成功率从3-26%提升至47-65%，并在模型间增加了42-72个百分点的交接邻域到达率。额外的实验表明，该恢复能力超出了主要的LIBERO-Goal设置，涵盖了模拟和真实机器人平台。

🔬 方法详解

问题定义：本文旨在解决视觉-语言-动作（VLA）策略在执行任务时，由于前一个任务的状态改变导致新的指令无法成功执行的问题。现有方法在任务切换时缺乏有效的干预机制，导致任务可达性下降。

核心思路：论文提出的Causeway方法通过在推理阶段进行状态导向的干预，允许机器人在不进行额外训练的情况下，恢复对目标任务的访问。该方法通过反向传播和状态写入来调整当前动作流表示，从而实现指令切换。

技术框架：Causeway的整体架构包括三个主要模块：当前状态的获取、目标任务的重新进入姿态设定，以及通过反向传播进行状态导向写入的动作流调整。该框架无需对模型进行参数更新或引入新的动作头。

关键创新：Causeway的主要创新在于其无训练的推理时干预机制，能够在保持模型原有结构的情况下，灵活应对任务切换的需求。这一方法与传统的需要训练的策略形成鲜明对比，提升了指令切换的效率和成功率。

关键设计：在设计上，Causeway采用了冻结的解码计算，并通过状态导向的写入来调整动作流表示。该方法的实现不依赖于外部动作生成，确保了在多种任务和状态下的适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Causeway在71个交叉对象对、三种切换时机和三种VLA架构下，成功将裸切换成功率从3-26%提升至47-65%，并在模型间增加了42-72个百分点的交接邻域到达率，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括服务机器人、自动化制造和智能家居等场景，能够有效提升机器人在复杂环境中的任务执行能力和灵活性。未来，该方法有望在更广泛的多模态交互系统中得到应用，推动人机协作的进步。

📄 摘要（原文）

Vision-language-action (VLA) policies can execute many tasks from standard initial states, yet a new instruction may fail after another task has altered the robot's physical state. We study instruction switching, where a new task is issued during or after the execution of a different one. We observe that a target task that is reliably completed from its standard initial states can become inaccessible from states produced by a preceding task. We call such states task islands. We propose Causeway, a training-free inference-time intervention. Given the current state and a re-entry pose for the target task, Causeway back-propagates through the frozen decoding computation and applies a state-directed write within the action-stream representation. The VLA decodes the return motion itself, without parameter updates, a new action head, or external action generation. Across 71 cross-object pairs, three switch timings, and three VLA architectures on LIBERO-Goal, Causeway raises bare-switch success from 3-26% to 47-65% and increases the rate of reaching the handoff neighborhood by 42-72 percentage points across models. Additional experiments on LIBERO-Object and a real xArm platform show that the recovery extends beyond the main LIBERO-Goal setting, both in simulation and on a robot.