KineVLA：迈向具有双层动作分解的运动学感知视觉 - 语言 - 动作模型

本文提出一种富含运动学信息的视觉 - 语言 - 动作（VLA）新任务，要求语言指令精细编码方向、轨迹等属性。针对任务目标不变但执行轨迹需适应指令变化的挑战，提出了 KineVLA 框架。该框架通过双层动作表示和推理令牌，显式解耦目标层不变性与运动学层可变性，作为对齐语言与动作的监督中间变量。构建了涵盖仿真与实机的数据集，实验表明该方法在运动学敏感基准上优于现有基线，实现了更精准、可控的操作行为。