THAW-VLA：融合世界模型知识，革新机器人控制策略

摘要：Trung-DT研究团队提出了一种名为THAW-VLA的新方法，通过将世界模型的物理场景知识提取并注入到视觉-语言-动作（VLA）模型中，显著提升了机器人在复杂任务中的表现。该方法通过特征对齐训练，使机器人策略无需依赖生成未来帧即可继承世界模型的物理常识，从而大幅降低推理时间与计算成本。在实验中，THAW-VLA在LIBERO和RoboCasa-GR1等基准测试中表现出色，并在实际硬件平台上验证了其有效性，为机器人控制领域提供了新的优化方向。

---

背景与动机

视觉-语言-动作（VLA）模型在将感知映射到动作方面表现出色，但其鲁棒性主要受限于数据覆盖范围，因为它们缺乏对世界物理常识的明确建模。而世界模型虽然能够提供这种常识，但因其生成未来帧的计算开销过大，难以实时应用于控制循环中。

方法与创新

THAW-VLA通过以下方式解决了上述问题：

• 特征对齐训练：在训练过程中，冻结的世界模型对训练帧进行一次推理并缓存，学生模型学习与该缓存对齐，而不是依赖生成未来帧。
• 去除了生成机制：部署的策略与未蒸馏的基线相同，不包含任何生成机制，从而大幅降低推理时间和计算成本。

实验结果

• 在LIBERO基准测试中，0.8B参数的学生模型达到了97.9%的准确率。
• 在RoboCasa-GR1人形操作任务中，性能从48.2%提升至50.5%。
• 该方法在实际硬件平台上的单臂和双臂机器人实验中均表现出色，验证了其广泛的适用性。

技术亮点

• 高效的知识迁移：无需依赖生成未来帧即可继承世界模型的物理常识。
• 低计算成本：部署的策略与基线相同，不增加推理时间或计算开销。
• 鲁棒性强：在不同学生规模、骨架、对齐层和教师模型下均表现出色，表明其具有广泛的知识迁移能力。

行业影响与开发者建议

THAW-VLA为机器人控制领域提供了一种高效的知识迁移方法，开发者可以借鉴其特征对齐训练思路，提升机器人策略的物理常识和鲁棒性。此外，该方法对计算资源的需求较低，适合在资源受限的硬件平台上部署。

---

消息来源：Hugging Face Daily Papers (2026-09-21)

—— 完 ——

主题标签： #机器人控制 关注 #世界模型 关注 #VLA模型 关注 #知识蒸馏 关注 #AI智能体 关注