GeoBridge-VLA：面向视觉-语言-动作模型的几何感知残差适配

基于摘要分析。GeoBridge-VLA 针对视觉-语言-动作（VLA）模型具备语义表征、但机器人操作仍需精确空间推理的问题，提出从预训练模型的冻结视觉编码器中学习几何特征，并将其用于动作预测的两阶段方法。其核心贡献是在不增加第二个图像编码器或视觉 token 数量的情况下，通过残差接口补充几何信息，部署时无需深度观测。 机制上，Stage I 使用深度监督训练 feature bridge 与 geometry decoder；Stage II 冻结上述模块，联合训练 gated residual interface、动作侧投影及 action expert。残差用于增强已有视觉 token。推理输入为 RGB、机器人状态和语言；具体损失、门控形式及深度监督数据来源尚未验证。 作者报告，在匹配评估条件下，GeoBridge-VLA 在 LIBERO 上的成功率为 70.9%，SmolVLA 为 60.0%。但在同一已训练检查点中关闭残差，成功率仅从 70.90% 降至 69.85%，且不同任务套件的变化方向不一致。这一干预结果不能直接等同于从头训练的模块消融，也不足以把相对 SmolVLA 的整体提升全部归因于推理时残差；需核对动作侧训练、基线适配条件及各套件结果。 作者报告，在实体 ROBOTIS OMY 机器人四项任务的 200 次试验中，GeoBridge-VLA 成功 148 次（74.0%），SmolVLA 成功 108 次（54.0%）。任务分配、训练与测试划分、随机种子、消融及统计信息尚未验证，尚不能据摘要判断跨任务泛化或结果稳定性。 平台推测（待验证）：可供 EEG 方法设计参考的是“辅助监督学习表征，再以冻结模块和残差接口适配任务”的分阶段思路，而非直接复用几何解码器。假设有与 EEG 对齐且可靠的辅助监督，可测试该策略能否补充预训练表征；需改造输入编码及监督目标，低信噪比、通道差异与小样本可能使辅助表征失效。一个可证伪的小实验是在固定跨被试划分及相同训练预算下，对比仅任务适配、两阶段残差适配及同一检查点关闭残差的表现。已有 EEG 相关工作尚未检索确认。