CAPABLE 用共享时序编码器把冻结 VLA 在未训练关节故障上的成功率从 24.8% 提升到 59.3%

论文把执行器故障重新表述为“剩余能力”，即每个关节实际实现多少指令运动、以及该运动在当前构型下如何影响末端执行器，并据此修正冻结的通用策略。 与需要故障标签、显式诊断、故障关节监督或特权本体信息的既有故障恢复方法相比，CAPABLE 只用指令-响应历史、控制器信号与已知运动学，在训练和部署中都不输入故障标签、故障关节标识或故障专用示范。 在 28 个 LIBERO 任务上，未参与故障训练的关节成功率由 24.8% 提升至 59.3%，比参数量匹配的全局历史基线高 17.4 个百分点，同时健康成功率保持与零修正相当的水平。

论文提出按执行器分解的架构：七个关节共用同一个时序编码器，每个关节的实时雅可比列提供构型相关的几何接地，跨关节注意力把各关节组合成“手臂还能产生哪些运动”的表示。 既有跨肢体共享模块的工作是在不同形态之间共享以泛化到不同身体，这里是在同一身体的各执行器之间共享，以泛化到“哪个执行器失效”，并用实时雅可比把共享估计变成构型相关的修正。 消融显示去掉历史只剩 39.4%（低于未分解基线），不共享时序编码器损失 13.5 个百分点，去掉雅可比查询损失 11.5、跨关节注意力 13.2、自监督能力损失 15.6、条件注入 9.7；不共享变体参数多 50% 却更差。

论文用参数量匹配的全局历史基线把“分解先验”与“模型容量”分开，并在六个留出关节上做留一执行器实验，检验迁移是否只对某一个关节有效。 此前工作评估过留出关节，但没有在无故障标签、无故障关节监督、无健康参考轨迹的条件下，为冻结的多任务 VLA 建立系统性迁移证据。 CAPABLE 在全部六个留出执行器上均优于全局历史基线；在四个 LIBERO 套件和 28 个任务单元中的 24 个上领先，差距从若干个百分点到更大范围不等。

论文刻画了能力迁移的边界：在持续锁死、黏性阻尼、库仑摩擦和晚发锁死上领先，但在部分执行器有效性和关节范围受限上不领先。 这说明可迁移的是“相对指令被抑制的运动”这一训练签名，而分级式与状态依赖式的损伤与训练签名不同，当前表述尚未覆盖。 跨故障实验在五个未见故障族上按三个严重度等级零样本评估，每个任务-条件单元使用相同的 300 个留出回合；硬件上在物理 Franka Panda 上以软件强制关节锁评估，CAPABLE 总体 80.0%（24/30）对全局历史基线 43.3%（13/30），合并差异在双侧 Fisher 精确检验下显著。

这项工作面向已训练好的冻结 VLA 与冗余机械臂：在持续锁死、黏性阻尼、库仑摩擦和晚发锁死这类“相对指令被抑制”的故障下，能力推断可零样本迁移到未参与故障训练的关节；适用场景是故障后不停机、继续完成语言条件操作任务，且允许在仿真中训练残差策略后零样本迁移到硬件。对读者而言，它意味着不必为每种故障重新训练任务策略，也不必提供故障标签或故障关节标识，只需可获得的指令-响应历史与已知运动学；硬件验证在物理 Franka Panda 上以软件强制关节锁进行，数字孪生匹配机器人/桌面几何、相机位姿、物体、控制器与控制频率。

跨故障结果显示部分执行器有效性与关节范围受限未被当前表述覆盖，这两类损伤是分级式或状态依赖式的，与训练中持续锁死的签名不同；硬件评估只覆盖三个任务-关节条件、每个条件 10 次试验，单条件差异在该样本量下不显著，只有合并差异显著；留一执行器实验使用八个任务而非全部 28 个；训练只使用持续锁死。读者可关注：把能力推断扩展到分级与状态依赖损伤会如何改变迁移边界，以及更大规模硬件试验与更多任务子集是否会保持同样的分解优势。