Fuhao Li

SLA把视觉-语言-动作模型的空间对齐从只在任务后训练阶段做，扩展到持续预训练阶段，并在下游后训练中保留。它从预训练策略初始化，联合优化动作预测与中间视觉嵌入对冻结三维感知模型空间表示的余弦对齐，训练时用特征相关门聚合多层视觉嵌入、用概率状态丢弃减少对示范轨迹的依赖；在RoboTwin 2.0的Clean2Random设置上达到72.3%，在八种真实部署条件上平均成功率83.8%，比基线高24.0个百分点。

SLA把视觉-语言-动作模型的空间对齐从只在任务后训练阶段做，扩展到持续预训练阶段，并在下游后训练中保留。它从预训练策略初始化，联合优化动作预测与中间视觉嵌入对冻结三维感知模型空间表示的余弦对齐，训练时用特征相关门聚合多层视觉嵌入、用概率状态丢弃减少对示范轨迹的依赖；在RoboTwin 2.0的Clean2Random设置上达到72.3%，在八种真实部署条件上平均成功率83.8%，比基线高24.0个百分点。