Steering Autoregressive Vision-Language-Action Policies via Action Token Intervention
本文介绍了 Token Steering，这是一种无需训练的推理时方法，允许用户通过将低维输入注入动作标记空间来动态引导自回归视觉-语言-动作策略，在显著提高家庭操纵任务成功率的同时，保留了模型的既有灵巧性与先验知识。
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
想象你拥有一个非常有才华、受过高度训练的机器人厨师。这个机器人观看过数百万个烹饪视频，并学会了如何完美地切菜、搅拌和摆盘。它对食谱了如指掌。然而，即使是最优秀的厨师有时也会犯下微小的错误——比如，它可能拿错了盐而不是糖，或者动作太快撞倒了碗。
过去，如果机器人犯了错，你只有两个糟糕的选择：
- 完全停止机器人，由你亲自接管控制权（就像抢夺自动驾驶汽车的转向盘一样），这既慢又令人沮丧。
- 用语言告诉机器人“向左走”，但机器人并不擅长通过语言进行快速、微小的修正。它们可能会误解指令，或者处理速度太慢。
这篇论文介绍了一种帮助机器人的新方法，叫做Token Steering（标记转向）。把它想象成一种“轻推”系统。
“动作标记”（Action Tokens）的奥秘
要理解这个原理，想象机器人不仅仅是在思考“向左移动”或“向右移动”。相反，它在用一种由标记（就像单词中的字母一样）组成的秘密代码进行思考。当机器人规划一个动作时，它会一个接一个地写下一长串由这些标记组成的“句子”，以此来描述机械臂将要采取的整个路径。
研究人员发现，他们可以在机器人“写句子”的过程中对其进行拦截。他们可以用自己的“轻推”标记替换掉机器人原有的几个秘密代码词汇。
工作原理：GPS 类比
把机器人的计划想象成一条 GPS 路线。
- 机器人： GPS 根据交通状况和道路规则知道前往商店的最佳路线。它会生成整个逐站转弯的清单。
- 用户： 你意识到 GPS 即将转错弯，因为你看到了路边的施工区域。
- Token Steering： 你不需要大喊“左转！”（GPS 可能会忽略它）或者夺取方向盘，你只需点击一个按钮，上面写着“跳过下一个转弯”。GPS 随后会立即从这个新点开始重新计算剩余行程，同时保持它已知的所有平滑驾驶和安全规则。
在论文的实验中，人类使用简单的键盘（例如按下方向键）来发送这些“轻推”标记。机器人接受轻推，稍微改变其即时路径，然后利用自己超级聪明的“大脑”平滑地完成剩余的动作。
他们的发现
研究人员在机器人手臂执行家务（如关闭抽屉或更换物体）的任务中测试了这一方法。以下是发生的情况：
- 小幅轻推效果最好： 你不需要接管整个动作。只需轻推计划中的前几步就足以改变机器人的意图。如果你轻推过度，机器人会变得困惑并动作笨拙。
- “大局观”至关重要： 机器人的代码包含“低频”标记（动作的大致轮廓）和“高频”标记（微小的细节）。研究人员发现，如果你想改变机器人的去向，你应该轻推“大局”标记。如果你轻推微小的细节标记，则不会显著改变路径。
- 修复错误： 当机器人受到语言指令干扰而产生困惑时（例如，它被告知拿起“绿色方块”，却抓起了“蓝色方块”），人类可以通过轻推引导它走向正确的物体。机器人随后能成功完成任务。如果没有轻推，机器人在这些特定的困惑任务中失败率是 100%。
- 现实世界中的成功： 在一个机器人需要关闭抽屉的测试中，由于推抽屉的角度不对，机器人原本在没有干预的情况下失败率高达 90%。通过人类的轻推，它的成功率提升到了 72.5%，并且完成速度更快。
为什么这很特别
最棒的部分在于，研究人员不需要重新训练机器人或教它新技能。他们只是找到了一种在机器人思考时，用其自身的“母语”（即标记）与其交流的方法。
这就像是在与一位说外语的天才进行对话。你不需要学会他们的整门语言来给出一个小提示；你只需要知道那几个能改变其方向的词，他们就会处理好剩下的部分。
谁可以使用它？
该论文指出，这对于那些可能无法完全控制双手的人来说非常有用。例如，使用脑机接口（只能发送简单的“上、下、左、右”信号）的人可以利用这个系统来引导复杂的机械臂。人类提供简单的方向，而机器人的智能则负责处理实际抓取和移动物体所需的复杂、灵巧的动作。
简而言之，Token Steering 让人们能够在不夺取控制权的情况下，温柔地引导超级智能机器人，从而能够即时修复错误，并让机器人变得更加实用，走进我们的家庭。
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。