HAF-VLA：用于人形机器人视觉-语言-动作控制的分层动作流框架

基于摘要分析。HAF-VLA 研究如何将通用视觉-语言-动作（VLA）策略适配到人形机器人的全身移动与操作协同控制，核心贡献是以分阶段动作去噪和跨阶段 KV-cache 条件化，建模移动、姿态、视线与双臂操作之间的依赖，而非一次性生成完整动作块。 方法建立在预训练的 flow-matching VLA 之上，继承其视觉-语言前缀编码器与动作专家权重，并引入可学习的阶段嵌入。各阶段在共享的全身动作空间内渐进去噪：先生成移动与头部指令，再细化腰部动作，最后完成全身操作。跨阶段 KV-cache 将前序阶段的动作表示作为后续生成的条件，使后续阶段能够据此细化和补充输出。其针对的原始问题是高维全身控制中，底座或腰部运动不准确可能诱发上半身不稳定、幅度过大的补偿。 作者报告，在六项真实世界人形机器人任务中，该框架显著提升了现有模型的移动与操作协同表现。摘要未给出任务组成、对照模型、评价指标、提升幅度及统计检验细节；实验协议、消融及统计信息尚未验证。复现需进一步核对预训练基础模型、动作表示、各阶段训练与推理流程，以及 KV-cache 的传递方式；代码与权重可用性尚未验证。 平台推测（待验证）：若用于 BCI 驱动的机器人辅助控制，可检验“高层意图先确定移动目标，再条件化生成局部操作”的分层思路，而不是将机器人动作去噪直接等同于 EEG 解码。可复用候选是阶段条件化机制，需改造的是 EEG 意图接口、动作约束与安全控制；低信噪比、跨被试差异及小数据可能使早期意图错误沿阶段传播。一个小规模可证伪实验是在冻结下游机器人策略的条件下，使用相同 EEG 意图输入，在仿真中比较分层条件化与一次性动作生成的任务完成率及约束违规情况。该假设不属于本文已验证结果，已有 EEG 相关工作尚未检索确认。