什么重要、什么时候重要：诊断和改进条件性视觉定位
来自 arXiv · 期号 2026-09-05
摘要
模仿学习策略在训练环境里表现很好，但一遇到视觉上相似的干扰物就容易出错。 这篇论文把问题定位在「条件性视觉定位」上：策略需要根据操作阶段和任务状态，动态决定该看哪个目标。用 ACT 架构做实验，发现干扰物敏感度跟视觉相似的类型和操作阶段都有关系。 基于这个诊断，他们试了三种干预：干扰物增强、阶段相关的注意力正则化、基于外观的视觉提示。在仿真和真实 UR3e 机械臂上都显著提升了鲁棒性。 在预训练的视觉-语言-动作策略上，同样的失败模式也出现了——医疗仪器操作任务里，策略会选错目的地。结论是：显式改善目标选择，可以跨不同策略学习范式恢复性能。