VLA Long-horizon Planning Explicit Memory Robotics
摘要

针对视觉-语言-动作(VLA)模型在长视距任务中面临的泛化难、时序不一致及误差累积等问题,本文提出一种带有显式语言记忆模块的分层架构。该架构将离散观测转化为具时序逻辑的文本记忆序列,解耦高层语义推理与底层精确控制。高层VLM利用视觉问答范式进行推理,并递归更新语言记忆以维持长期追踪和动态纠错。仿真与真实机器人实验表明,该方法显著提升了复杂任务的成功率与鲁棒性,并提供了可解释的决策过程。

AI 推荐理由

论文核心解决长视距任务规划中的时序一致性与错误累积问题,通过显式语言记忆增强规划能力。

研究机构
Fudan University
论文信息
作者 Houze Xu, Jizhong Li, Ziyi Ye
发布日期 2026-08-05
arXiv ID 2608.04765
相关性评分 9/10 (高度相关)