Evo-World: A Lightweight Vision-Language-Action Model with Future Motion Prediction via Optical-Flow Supervision

📄 arXiv: 2610.12936v1 📥 PDF

作者: Zile Zhong, Yuxin Du, Tao Lin, Haoxiao Wang, Wei Dai, Binhua Zuo, Bo Zhao

分类: cs.RO

发布日期: 2026-10-09

💡 一句话要点

提出Evo-World以解决视觉-语言-动作模型的未来运动预测问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作 未来运动预测 光流监督 策略学习 机器人控制

📋 核心要点

  1. 现有的VLA模型在动作监督下无法有效预测场景未来的演变，限制了控制能力。
  2. Evo-World通过光流监督增强策略学习，提供专注于运动的任务相关预测信号，解决了现有方法的不足。
  3. 在Meta-World MT50上，Evo-World的成功率达91.1%，相较于基线提升13.0%，在实际机器人任务中表现优异。

📝 摘要（中文）

视觉-语言-动作（VLA）模型为视觉理解、语言定位和机器人控制提供了统一框架，但仅依赖动作监督无法有效预测场景的未来演变。为了解决这一问题，本文提出了Evo-World，一个轻量级的VLA模型，通过光流监督增强策略学习，专注于运动而非外观的任务相关预测信号。Evo-World在Meta-World MT50的模拟基准上取得了91.1%的成功率，相较于非预测基线提升了13.0%。在实际的AgileX机器人上，Evo-World在单臂和双臂操作任务中超越了评估的基线，显示出更低的GPU内存使用和更高的推理效率。

🔬 方法详解

问题定义：本文旨在解决现有视觉-语言-动作模型在未来运动预测方面的不足。现有方法主要依赖动作监督，未能有效预测场景演变，导致控制能力受限。

核心思路：Evo-World通过光流监督增强策略学习，提供专注于运动的预测信号，而非静态外观。这种设计使得模型能够更好地理解和预测动态场景。

技术框架：Evo-World的整体架构包括视觉输入处理、语言理解模块和动作策略生成。通过光流信息，模型在策略学习过程中保持对未来运动的预测能力。

关键创新：Evo-World的主要创新在于将光流监督引入VLA模型中，显著提高了模型对未来运动的预测能力。这一方法与传统的仅依赖动作监督的模型有本质区别。

关键设计：在模型设计中，采用了特定的损失函数来平衡动作优化与表示学习，同时调节表示的多样性，确保在策略学习过程中保留预测表示。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Evo-World在Meta-World MT50基准上取得了91.1%的成功率，相较于非预测基线提升了13.0%。在实际的AgileX机器人任务中，Evo-World在单臂和双臂操作中均超越了评估的基线，展现出更低的GPU内存使用和更高的推理效率。

🎯 应用场景

Evo-World的研究成果在机器人控制、自动驾驶和智能监控等领域具有广泛的应用潜力。通过提高模型对未来运动的预测能力，可以显著提升机器人在动态环境中的操作效率和安全性，推动智能系统的进一步发展。

📄 摘要（原文）

Vision-language-action (VLA) models provide a unified framework for visual understanding, language grounding, and robot control, yet anticipating how the scene will evolve beyond the current observation can provide additional information for control. Action supervision alone does not explicitly encourage such anticipation, while future-image prediction entangles task-relevant motion with largely static appearance. To address these limitations, we introduce Evo-World, a lightweight VLA model that augments policy learning with future motion prediction through optical-flow supervision, thereby providing a task-relevant predictive signal focused on motion rather than appearance. We further design the training procedure to preserve these predictive representations during policy learning, regulating representation diversity while decoupling representation learning from action optimization. Across simulation benchmarks, Evo-World demonstrates strong performance, achieving a tier-averaged success rate of 91.1% on Meta-World MT50 , with a 13.0% relative improvement over the non-predictive baseline. On real-world AgileX robots, Evo-World outperforms the evaluated baselines across single-arm and bimanual manipulation tasks while using only 0.87B parameters and delivering lower GPU memory usage and higher inference efficiency. These results demonstrate that future motion prediction through optical-flow supervision provides an effective and lightweight approach to enhancing the predictive capabilities of VLA models.