探索具身操作中组合泛化的极限

基于摘要分析。本文研究具身操作中 Vision Language Action（VLA）模型如何在未见过组合技能训练轨迹的情况下，将原子技能重组为长时程操作；核心贡献是提出 Hierarchical Subtask Execution（HSE）诊断框架、RoboCombine 基准，以及扩大原子任务起始状态覆盖的 Pose Robust Task Initialization（PRTI）后训练策略。 作者报告，在一项仅使用有限技能组合序列进行完整指令训练的受控研究中，模型对训练覆盖组合的有序成功率为 40.0%，对重组组合仅为 7.7%。作者据此认为，模型可能更依赖序列模板记忆，而非稳健的技能重组；该解释仍需结合全文中的划分与对照核验。 HSE 通过规划器、触发器和策略之间的共享模块化接口，将长时程执行失败拆分为可区分的模式。RoboCombine 在不提供组合技能训练轨迹的设置下，以有序成功率及跨子任务边界的转换指标评估技能重组。作者将主要瓶颈概括为 start state gap：后续子任务实际接收的是前序子任务产生的交接状态，而非原子任务训练时的标准起始状态，因此原子技能本身可用并不保证顺序执行成功。 PRTI 通过原子任务后训练扩展起始状态覆盖。作者报告，在 RoboCombine 的 oracle 定时 HSE 条件下，PRTI 的有序成功率为 18.16%，随机扰动对照为 4.21%，robot-reset oracle 对照为 9.47%，均不使用组合技能训练轨迹。这些结果支持交接状态鲁棒性的重要性，但不能直接外推至自主规划与自主触发条件。实验任务规模、模型配置、数据划分、消融及统计信息尚未验证。摘要提供了代码仓库，代码完整性与复现条件尚未核验。 研究的主要对象是机器人具身操作，而非 EEG 或 BCI；现有材料未建立具体的神经信号方法对应关系，因此不据此推断 BCI 有效性。