WARP-VLA: Wrist-Camera Adaptation for View-Robust Policy Execution in Vision-Language-Action Models

📄 arXiv: 2610.11508v1 📥 PDF

作者: Junmyeong Lee, Dongmin Shin, Min-Gyu Park, Wooseok Jeon, Inho Chang, Hae-Gon Jeon

分类: cs.RO, cs.CV

发布日期: 2026-10-08

备注: 9 pages, 6 figures

💡 一句话要点

提出WARP-VLA以解决腕部摄像头配置变化带来的挑战

🎯 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 混合专家 视角鲁棒性 特征变换 跨设置部署

📋 核心要点

  1. 现有的视觉-语言-动作模型在摄像头配置变化时表现不佳，尤其是在跨设置部署时难以重现训练时的摄像头姿态。
  2. 本文提出WARP-VLA，通过混合专家架构实现视角特定特征变换，避免了对摄像头外部参数的依赖。
  3. 在LIBERO基准测试中，WARP-VLA在腕部视角扰动下的成功率从39.2%提升至78.3%，展示了其有效性。

📝 摘要（中文）

尽管视觉-语言-动作模型（VLA）在机器人操作中取得了进展，但其性能对摄像头配置变化仍然敏感。尤其在跨设置部署中，重现训练时的摄像头姿态几乎不可能。腕部视角的挑战在于摄像头随机器人移动，微小的安装变化会影响细微的几何线索。为此，本文提出WARP-VLA，一种针对多样化腕部摄像头配置的视角鲁棒性VLA。WARP-VLA采用混合专家（MoE）架构，个别专家学习视角特定的特征变换，路由器根据隐式视角信息组合它们。实验表明，WARP-VLA在腕部视角扰动下将平均成功率从39.2%提升至78.3%。

🔬 方法详解

问题定义：本文旨在解决视觉-语言-动作模型在腕部摄像头配置变化时的鲁棒性问题。现有方法在跨设置部署时，难以保持一致的摄像头姿态，导致性能下降。

核心思路：WARP-VLA通过混合专家架构，允许不同专家学习特定视角的特征变换，从而增强模型对摄像头配置变化的适应能力。此设计使得模型在执行策略时无需额外的摄像头外部参数。

技术框架：WARP-VLA的整体架构包括多个专家网络，每个专家负责特定视角的特征提取，路由器根据隐式视角信息选择合适的专家输出。该框架能够动态适应不同的摄像头配置。

关键创新：WARP-VLA的主要创新在于引入混合专家架构，允许模型在不同视角下进行特征变换学习，这与传统方法依赖固定视角特征提取的方式有本质区别。

关键设计：在设计中，专家网络的数量和结构经过精心选择，以确保在多样化的腕部视角下仍能有效提取特征。同时，路由器的设计确保了对隐式视角信息的有效利用。实验中还使用了特定的损失函数来优化模型性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在LIBERO基准测试中，WARP-VLA在腕部视角扰动下的平均成功率从39.2%显著提升至78.3%，展示了其在实际应用中的有效性。此外，真实机器人实验表明，模型在模拟中学习的特征适应能力成功转移到多样化的部署环境中。

🎯 应用场景

WARP-VLA的研究成果在机器人操作、智能家居和工业自动化等领域具有广泛的应用潜力。通过提高模型在不同摄像头配置下的鲁棒性，能够提升机器人在复杂环境中的操作能力，进而推动智能机器人技术的发展。

📄 摘要（原文）

Despite recent advances in Vision-Language-Action models (VLAs) for robotic manipulation, their performance remains sensitive to changes in camera configuration. The problem becomes more evident in cross-setup deployment, as reproducing the exact camera pose used for training is nearly impossible. Unlike fixed external views, wrist views are more challenging because the camera moves with the robot, causing even small mounting variations to alter fine-grained geometric cues. To address this, we propose WARP-VLA, a camera-view robust VLA for diverse wrist camera configurations. WARP-VLA adopts a Mixture-of-Experts (MoE) architecture where individual experts learn view-specific feature transformations, and a router combines them based on implicit view information. This allows the policy to be deployed without requiring camera extrinsic parameters as additional input. Through experiments on the LIBERO benchmark, WARP-VLA improves the average success rate of pi-0.5 from 39.2% to 78.3% under wrist-view perturbations. The real-robot experiments further show that the feature-level adaptation learned in simulation successfully transfers to diverse deployment settings. To facilitate reproducibility and future research, we release our wrist viewpoint robustness benchmark and a plug-and-play implementation.