Vela：通过自适应动作曲线参数化扩展视觉-语言-动作模型

基于摘要分析。Vela 研究视觉-语言-动作模型中固定频率 action chunks 的表示瓶颈，提出以连续轨迹表示未来机器人行为，使固定输出预算能够随运动特征调整时间分辨率，兼顾长时域覆盖与接触密集操作所需的局部精度。 核心机制是将紧凑的样条动作表示、依赖运动的时间支撑范围，以及面向异构机器人形态的共享动作接口结合起来。相较于逐点预测，作者认为该表示可减少相邻高度相关动作对输出容量的占用，并更直接地表达时间连续性与平滑性。摘要未说明样条类型、参数化细节、时间支撑范围的确定方式、训练损失及推理解码过程，这些尚未验证。 作者在大规模、多机器人形态数据上预训练 Vela，并在 LIBERO-X、EBench，以及真实环境中的鸡蛋饼烹饪和土豆切丝两项长时域任务上评估。作者报告仿真与实体操作均取得有前景的结果，但摘要未提供具体指标、数值、数据划分或对照基线，不能据此确认相对优势或收益来源。实验协议、消融及统计信息尚未验证；复现还需核对数据构成、共享动作接口、输出预算设置及模型与代码的可获得性。 平台推测（待验证）：若用于 EEG 驱动的连续运动控制，可考虑复用样条动作解码思想，但原方法依赖视觉、语言与机器人动作轨迹，不能直接视为 EEG 解码方法。迁移需改造 EEG 编码器及动作监督接口，并适应信号低信噪比、跨被试差异和小数据条件；曲线压缩也可能抹平短暂但关键的动作变化。一个可检验的小实验是在相同 EEG 输入、数据划分和输出预算下，对照逐点动作预测与样条轨迹预测，分别检查轨迹误差、平滑性及短暂动作保真度。已有 EEG 相关工作尚未检索确认。