Tell Robot What Not to Do: A Negation Understanding Perspective
作者: Fazeng Li, Gan Sun, Hao Cheng, Weihong Ren, Yang Cong
分类: cs.RO
发布日期: 2026-10-08
💡 一句话要点
提出NegaAlign以解决机器人遵循否定指令的问题
🎯 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: 否定指令 视觉-语言模型 机器人学习 人机交互 任务执行
📋 核心要点
- 现有的机器人指令遵循方法通常无法有效处理用户的否定指令，导致机器人在执行任务时可能违反用户的排除条件。
- 论文提出的NegaAlign框架通过引入否定转换层和教师引导对齐机制，使得机器人能够在遵循否定指令的同时有效完成任务。
- 实验结果显示，NegaAlign在NegaBench基准测试中将否定指令的成功率从2.60%提升至88.45%，在真实任务中也有显著提升。
📝 摘要（中文）
本研究探讨如何使视觉-语言-动作模型（VLA）能够遵循否定指令，确保机器人在完成任务目标的同时尊重明确的排除条件。为此，我们提出了NegaAlign，一个参数高效的即插即用框架，通过图像-语言监督扩展预训练的VLA以遵循否定指令。我们引入了否定转换层，重塑中间指令表示，并设计了教师引导的对齐机制，以对齐与指令相关的视觉标记。实验结果表明，NegaAlign在多个场景中显著提高了否定指令的成功率，同时保持了对肯定指令的性能。
🔬 方法详解
问题定义：本论文旨在解决机器人在执行自然语言指令时对否定指令的理解和遵循问题。现有方法在处理用户的排除条件时存在明显不足，无法有效避免执行不应执行的动作。
核心思路：论文的核心思路是通过引入否定转换层来重塑指令的中间表示，并结合教师引导的对齐机制，使得机器人能够在遵循否定指令的同时完成任务目标。这样的设计可以有效地利用现有的视觉-语言模型，减少训练成本。
技术框架：NegaAlign框架主要包括三个模块：否定转换层、教师引导对齐机制和训练阶段。否定转换层嵌入在视觉-语言骨干网络的选定层中，教师引导对齐机制则用于对齐与指令相关的视觉标记。训练阶段使用现有演示构建的监督信号，仅更新插入的层，保持其他预训练参数不变。
关键创新：NegaAlign的关键创新在于通过否定转换层和教师引导对齐机制的结合，能够有效地处理否定指令，而不需要重新训练整个模型。这一方法与传统的全模型微调方法相比，显著提高了效率和效果。
关键设计：在设计中，NegaAlign仅使用11.6M可训练参数，确保了模型的高效性。损失函数和网络结构经过精心设计，以确保在遵循否定指令时，机器人能够准确地对齐视觉信息与指令内容。
🖼️ 关键图片
📊 实验亮点
实验结果表明，NegaAlign在NegaBench基准测试中将否定指令的成功率从2.60%提升至88.45%，在真实任务中从12.4%提升至88.8%。这些结果显示了NegaAlign在处理否定指令方面的显著优势，同时保持了对肯定指令的良好性能。
🎯 应用场景
该研究的潜在应用领域包括人机交互、智能家居和服务机器人等场景。在这些领域，用户常常需要明确指示机器人哪些行为是不可接受的，NegaAlign的提出将大大提升机器人在复杂环境中的适应能力和安全性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Instruction following enables robots to perform diverse tasks specified in natural language, making it a fundamental capability for human-robot interaction. Beyond communicating desired outcomes, users also need to specify constraints on what not to do. We investigate how to enable vision-language-action models (VLAs) to follow negated instructions, where robots must accomplish task goals while respecting explicit exclusions. To this end, we propose NegaAlign, a parameter-efficient, plug-and-play framework that extends pretrained VLAs to follow negated instructions through image-language supervision alone. Specifically, we introduce Negation Transformation Layers into selected layers of the vision-language backbone to reshape intermediate instruction representations. Meanwhile, a teacher-guided alignment mechanism is designed to align instruction-relevant visual tokens, transferring action-relevant grounding from instructions that satisfy the negated constraint. The training phase uses supervision constructed from existing demonstrations and updates only the inserted layers, keeping all pretrained parameters frozen, including the action generator. We further introduce NegaBench, a simulation benchmark spanning 10 scenarios across five domains for systematically evaluating manipulation under negated constraints. Experiments across GR00T, $π_0$, and $π_{0.5}$ demonstrate consistent improvements in negated instruction following. With 11.6M trainable parameters, NegaAlign increases the negated-instruction success rate of $π_{0.5}$ from 2.60% to 88.45% on NegaBench and from 12.4% to 88.8% on real-world tasks, while retaining performance on affirmative instructions.