稀疏特征策略遗忘缓解视觉-语言-动作模型中的状态幻觉

基于摘要分析。本文研究机器人操作中的 Vision-Language-Action（VLA）模型状态幻觉：机器人与物体之间的某种状态尚未实现，模型却继续按该状态已经实现来执行动作。作者提出 SOUL（Sparse feature pOlicy UnLearning），利用稀疏特征分析选择性遗忘与此类失效相关的策略知识，同时保留成功操作相关知识。 机制上，作者观察到状态幻觉与模型对任务相关视觉区域的注意力减弱同时出现；进一步通过稀疏自编码器分析，发现幻觉相关稀疏特征会在失效时激活。SOUL 将从幻觉失败和成功行为中识别的稀疏特征分别作为显式遗忘目标与保留目标。摘要支持上述关联及干预思路，但尚不足以确定这些特征是否构成失效的因果机制；特征提取位置、筛选规则、优化目标及策略更新范围尚未验证。 作者报告，在多种 VLA 架构的仿真和真实环境实验中，SOUL 显著减少幻觉型失败、提高任务成功率，且未明显损害原有操作能力。摘要未提供具体架构、任务、样本规模、数据划分、对照基线或量化结果，因此无法评估改善幅度与泛化边界；实验协议、消融及统计信息尚未验证。复现还需核对状态幻觉的判定标准、失败与成功轨迹的构造方式，以及能力保持的评估范围。 平台推测（待验证）：可供闭环 BCI 借鉴的是“识别失效相关内部特征—选择性修改—保留正常行为”的干预框架，而非将机器人状态幻觉直接等同于 EEG 解码错误。迁移假设依赖可观测的真实任务状态、失败与成功标签及足够轨迹数据；需将视觉区域分析改造为神经信号与反馈相关特征分析。低信噪比、跨被试差异和小数据可能使错误特征与有效信息混杂，导致遗忘损害正常解码。可先在固定离线闭环轨迹上比较定向特征干预与随机特征干预，检验错误减少是否伴随正常行为保持。已有 EEG 相关工作尚未检索确认。