摘要
视觉 - 语言 - 动作系统在执行多模态环境下的多步任务时，常因中间步骤错误导致误差传播并引发级联失败。本文提出预测对齐与规划架构（ReCAPA），通过在动作、子目标和轨迹三个层级利用预测与对比机制调整偏差。该框架结合基于 Sinkhorn 的模块和分数字段模块强制语义对齐，并在训练中联合更新动作生成器以微调步骤。实验表明，ReCAPA 在多个具身智能基准测试中优于现有大模型基线，有效量化并抑制了长程执行中的误差传播。
AI 推荐理由
论文提出分层预测校正架构，核心解决多步任务中的级联失败与轨迹规划问题。
研究机构
Hong Kong University of Science and Technology (Guangzhou)
South China Normal University
论文信息