机器人换环境就翻车，先查动作库再出手

机器人靠视觉语言动作模型干活，语义上确实聪明，见了没见过的桌面、光照和背景就手抖。分布外视觉偏移是这类模型部署时的头号敌人，而且防不胜防。已有的补救思路都在视觉上做文章——压制干扰特征、做抗扰动训练，可策略自己的训练经历里明明躺着一堆没被污染的运动经验，没人去用。

一、发生了什么

10 月 27 日提交的论文给了个反方向的答案：R2A，把分布外鲁棒性当成一个纯粹的几何检索问题来解。

做法是先把训练阶段那些成功的演示，整理成一张离线的时空动作基元图。到了推理时，一个由查询驱动的图神经网络在图里定位机器人眼下正在执行的哪一步，从中取回结构上匹配的后续动作片段。这些几何先验不硬塞给模型，而是通过一个学出来的、按维度生效的门控机制，和冻结的 VLA 输出逐维融合：错的轨迹被矫正，模型本地的快速反应保留下来。基座模型一根手指都不用动。整个流程属于测试时扩展的一类：不在权重上下功夫，在推理路径上下功夫。

效果报得很直接。三大主流 VLA 架构——GR00T N1.7、π0.5、StableVLA——上都试过。两个仿真基准（LIBERO-Plus 与 RoboTwin2.0-Plus）里，绝对成功率最高涨十二个百分点；真机部署场景最高涨四十个百分点。面对各式上下文扰动，提升稳定复现。顺带一句背景：VLA 是近两年机器人圈最热的路线，各家的通用模型都在往这个方向收敛，它的部署鲁棒性问题也跟着水涨船高。这是背景，不是论文结论。

二、跟你有什么关系

做机器人的人：部署先别急着微调，把历史成功轨迹存成图，可能一周就多拿几十个点。做推理优化的人：这是测试时扩展在机器人上的落地样例，算力换成功率有明确通道。做现场交付的人：客户环境一变就让模型重训的日子，可以缓一缓了。写论文的人：与其修视觉特征，不如换问法——把鲁棒性翻译成检索问题，本身就值得抄。

三、怎么用

1. 收集部署环境里的成功演示，整理成基元图，是接入这套方案的第一步。
2. 门控机制保持开启，别手动锁死融合权重，扰动类型变了它能自己调。
3. 换新任务时只需重建图，基座策略不重训，升级成本低是它的卖点。
4. 先在扰动种类齐全的评测集上量一遍自家模型掉多少，再决定要不要上这套。

四、三个别信的说法

模型越大越鲁棒。 论文里的翻车与规模无关，是训练分布没覆盖到的视觉条件所致，堆参数不解决见得少。

测试时增强一定很慢。 这套方案的核心是检索加融合，不重跑大模型，延迟代价可控，适合部署侧接入。

真机涨四十个点等于普遍结论。 那是部署场景里的最好值，不同扰动类型涨幅不同，验收还是得按自己的任务实测。

五、一句话结论

机器人的老经验比你想的值钱，关键是换环境时能查得到。

信息来源

• arXiv 摘要页：动作基元图检索增强 VLA

事实引自 2026 年 10 月 27 日提交的论文摘要。

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。