研究探讨VLA策略监督目标选择：重构机器人训练任务与样本分配

预印本摘要称，研究者提出了一个结合双流多模态Diffusion Transformer（MMDiT）与样本级路由器的统一VLA框架，用于在固定预算下显式分配动作预测与辅助目标样本。在LIBERO、CALVIN及4项真实机器人任务测试中，即便动作预测分配比例不超过一半，结合潜在动作与未来视觉监督的表现依然优于纯动作训练。分析指出潜在动作侧重相对运动，而未来视觉侧重绝对位置与任务标识。