Revisiting Embodied Chain-of-Thought for Generalizable Robot Manipulation
本文介绍了 ERVLA，这是一种视觉-语言-动作模型，它利用大规模具身思维链语料库进行表示塑造监督而非自回归推理，从而在机器人操控任务中实现了最先进的泛化能力和稳定性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你正在教一个机器人做家务，比如把一辆玩具车放进抽屉里。过去，科学家们尝试通过给机器人一个“大脑”（视觉-语言模型，用于理解图像和文字）和一个“手”（动作模型，用于移动）来教它做事。但通常情况下，大脑会感到困惑，而手会笨拙地抓取失败。
这篇论文介绍了一种新的教学方式，叫做 ERVLA（具身推理视觉-语言-动作）。以下是他们是如何实现的简单解释。
1. 问题所在：话太多（且反应太慢）的机器人
想象你在开车，你的 GPS 在你转向之前会告诉你每一个细节：“前方 100 英尺，左转。现在，左转。现在，左转。” 如果 GPS 在第一句话中出了点小错，剩下的指令都会出错，导致你撞车。
这就是以往机器人“思考”方法（称为具身思维链/Embodied Chain-of-Thought）出现的问题。机器人被迫在移动手臂之前先进行“大声思考”（写下一段长长的文本计划）。
- 问题在于： 如果机器人在计划中写错了一个句子，整个计划就会失败。这种方式很慢，而且一个微小的错误就会毁掉整个任务。
- 论文的发现： 他们发现，让机器人“多说话”并不会让它变得更聪明。事实上，强迫它在行动前写下长篇计划往往会让效果变差。
2. 解决方案：“边做边想”，而不是“做之前再想”
作者意识到，机器人并不需要通过“说出”想法来展现聪明。它只需要在移动时，大脑里“拥有”这些想法即可。
这就像一位大师级厨师。新手厨师可能会在烹饪前，在纸上一步步写下食谱。而大师级厨师不需要写下任何东西；他们仅仅通过练习，就已经“知道”该怎么做了。他们的“思考”已经融入了肌肉记忆。
ERVLA 教会了机器人像大师级厨师一样：
- 训练过程： 他们给了机器人一个庞大的动作库（包含 978,000 个机器人动作，就像一本巨大的食谱）。
- 窍门： 他们教会机器人同时阅读“食谱”（计划）和“动作”（移动）。
- 秘密武器（推理丢弃/Reasoning Dropout）： 在训练期间，有时他们会告诉机器人：“这次别写食谱了，直接动起来！”这迫使机器人学会如何在不需要写下文字的情况下，理解任务的核心逻辑。它学会了将推理内化。
3. “思维链污染”问题
论文还发现了一个隐藏的陷阱。当他们使用计算机自动为机器人编写这些“食谱”时，计算机有时会犯错（比如说杯子在错误的位置）。
- 如果机器人试图死记硬背这些错误的食谱，它就会感到困惑。这被称为 CoT 污染（CoT Contamination）。
- 解决方法： 他们教会机器人忽略那些看起来不靠谱或不可靠的食谱部分，只专注于清晰、稳健的指令。
4. 结果：一个真正能干活的机器人
他们通过两种方式测试了这个新机器人（ERVLA）：
- 在模拟器中（电子游戏）： 它成为了其特定测试领域中全球最强的机器人，击败了所有之前的模型。即使在光照变化或物体被移动的复杂情况下，它也能应对自如。
- 在现实世界中： 他们把它安装在一个真实的物理机械臂上。
- 当被要求“收好那个不是水果的东西”（一个比较模糊、复杂的指令）时，其他机器人会感到困惑。但 ERVLA 理解了其中的逻辑并完成了任务。
- 当被要求执行一项长期的、多步骤的任务（比如清理整个桌面）时，ERVLA 保持冷静并完成了工作，而其他机器人则会放弃或迷失方向。
总结类比
- 旧方法： 机器人是一个学生，在采取任何行动之前，必须先写一篇 10 页的论文。如果他在论文里拼错了一个单词，考试就会失败。
- ERVLA 方法： 机器人是一位经验丰富的运动员。他练习得如此充分，以至于能瞬间理解比赛计划。他不需要写论文来知道如何比赛；策略已经融入了他的动作之中。
核心结论： 这篇论文表明，要让机器人变得聪明，不应该强迫它们通过“说话”来完成每项任务。相反，应该通过训练让它们吸收任务的“逻辑”，这样即使指令很模糊或环境很混乱，它们的动作也能自然地遵循正确的路径。他们也发布了这个庞大的“食谱”（数据集）和机器人的“大脑”（模型）供他人使用。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。