VeriVLA: Adaptive Test-Time Verification for Flow-Based VLAs with Latent World Models
作者: Xueli Sun, Yuxiang Lu, Yantong Liu, Xianzhe Fan, Xi Chen, Zhe Liu, Hengshuang Zhao
分类: cs.RO
发布日期: 2026-10-15
💡 一句话要点
提出VeriVLA以解决流基视觉-语言-动作策略的验证问题
🎯 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) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 流基策略 视觉-语言-动作 测试时验证 潜在世界模型 机器人操作 任务成功率 动作选择优化
📋 核心要点
- 现有流基VLA策略在测试时通常只选择一个样本，缺乏对动作质量的评估，可能导致任务失败。
- 本文提出了一种无训练的双轴触发器，利用初始样本测量时间变化和方差，以检测关键状态并优化动作选择。
- 实验结果显示，本文方法在多个任务中显著提升了成功率，平均完成率提高了14.7%。
📝 摘要（中文）
流基视觉-语言-动作（VLA）策略具有固有的随机性：相同观察下，不同的噪声种子可能产生不同质量的动作片段。然而，在测试时，策略通常只承诺一个样本，缺乏对其质量的明确估计。在精细操作中，执行次优动作可能会不可逆转地干扰任务进展并导致失败。为此，本文提出了一种无训练的双轴触发器，利用两个初始样本测量片段内的时间变化和跨样本方差，以检测关键状态。一旦触发，基于JEPA的潜在世界模型通过预测动作条件下的未来潜在状态及相应的任务进展变化，对候选动作片段进行排名。通过在潜在空间中操作，验证器避免了像素重建，从而实现高效且更准确的排名。在三个真实世界任务中，本文方法将平均完成率从50.8%提升至65.5%。
🔬 方法详解
问题定义：本文旨在解决流基视觉-语言-动作策略在测试时缺乏对动作质量评估的问题，现有方法容易导致次优动作的执行，从而影响任务成功率。
核心思路：提出了一种无训练的双轴触发器，通过两个初始样本来测量时间变化和跨样本方差，进而识别关键状态并优化动作选择。
技术框架：整体架构包括双轴触发器和JEPA潜在世界模型。双轴触发器负责检测关键状态，而JEPA模型则用于对候选动作片段进行排名，基于预测的未来潜在状态和任务进展变化。
关键创新：最重要的创新在于通过潜在空间操作来避免像素重建，从而实现更高效和准确的动作排名。这一方法与传统的基于像素的验证方法有本质区别。
关键设计：在设计中，采用了JEPA模型进行潜在状态预测，设置了适当的损失函数以优化动作选择，并确保了在不同任务中的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，本文方法在三个真实世界任务中显著提升了成功率，平均完成率从50.8%提升至65.5%。在RoboTwin 2.0的干净设置中，成功率从66.4%提升至73.6%，在随机设置中从62.8%提升至69.6%。
🎯 应用场景
该研究的潜在应用领域包括机器人操作、自动化制造和人机交互等场景。通过提高流基VLA策略的决策质量，能够有效提升机器人在复杂环境中的操作能力，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Flow-based Vision-Language-Action (VLA) policies are inherently stochastic: different noise seeds can produce action chunks of varying quality from the same observation. At test time, however, the policy typically commits to a single sample without an explicit estimate of its quality. In fine-grained manipulation, executing a suboptimal action can irreversibly disrupt task progress and lead to failure. To exploit policy stochasticity, we introduce a training-free two-axis trigger that uses two initial samples to measure within-chunk temporal variation and cross-sample variance, detecting the critical states. Once triggered, a JEPA-based latent world model ranks candidate action chunks by predicting action-conditioned future latent states and the corresponding changes in task progress. By operating in latent space, the verifier avoids pixel reconstruction and enables efficient and more accurate ranking. Across three real-world tasks, $\textit{i.e.,}$ pen insertion, pipetting, and apple placement), our method raises the average completion score from 50.8% to 65.5%, while adding 326 ms for sampling and verification per triggered decision on a single RTX 4090. Consistent gains are also observed in simulation, where the average success rate rises from 66.4% to 73.6% in the clean setting of RoboTwin 2.0, from 62.8% to 69.6% in its randomized setting, and from 96.9% to 97.6% on LIBERO.