北大EvoVLA具身智能突破：消除机器人幻觉，长序列任务成功率暴涨

type

status

date

slug

summary

机器人的“高分低能”与阶段性幻觉

在长序列任务（如搭建复杂的积木桥）中，现有的VLA模型经常陷入一种被称为“阶段性幻觉”（Stage Hallucination）的状态。简单来说，只要机械臂移动到了目标附近，即便方块滑落、没对齐或者根本没夹住，基于视觉语言模型（VLM）的评估系统往往会因为视觉上的相似性，给出一个很高的预测分数。

这种现象导致机器人自信地跳过当前步骤进入下一阶段，最终导致整个任务崩溃。这就好比一个学生只写了“解：”字，就以为自己做完了整道大题。为了解决这个问题，EvoVLA应运而生，它在OpenVLA-OFT架构之上，引入了自监督强化学习（SSRL）闭环，旨在让模型在“自省”中进化。

阶段对齐奖励（SAR）：打造AI的“错题集”

EvoVLA解决幻觉问题的核心杀手锏是“阶段对齐奖励”（SAR）。传统的奖励函数往往过于稀疏（只有成功或失败），或者基于像素变化，容易被背景干扰。EvoVLA创造性地利用强大的LLM（如Gemini）作为“严厉的老师”，构建了一套精细的数据引擎。

为了防止模型“走捷径”，研究团队引入了三元组对比学习，特别是构建了“硬负样本”（Hard Negative）。 * 正样本：任务完成的准确描述。 * 硬负样本：这是关键，描述那些“差一点就成功”的状态，例如“夹爪在目标附近但未接触”。

通过这种方式，模型被迫去学习区分“真正完成”和“看起来像完成”，从而获得密集的、语义一致的内在奖励信号。这种利用大模型生成“错题集”来反哺策略学习的方法，是人工智能自我进化范式的一次重要尝试。

基于姿态的物体探索（POE）：告别无效的视觉噪点

除了判断对错，机器人还需要有探索未知的好奇心。然而，传统的内在好奇心奖励通常基于像素预测误差。在复杂的机器人场景中，光照变化或背景噪点都会带来巨大的预测误差，导致机器人去探索无意义的视觉噪声。

EvoVLA提出了POE（Pose-Based Object Exploration），训练了一个轻量级的世界模型，不再预测图像像素，而是预测相对几何姿态。这意味着机器人的好奇心被引导去探索“如何改变物体与夹爪的相对位置”，而非“图像像素变了多少”。这使得探索过程极其高效，专注于操作任务本身的几何结构，体现了AI在物理世界感知层面的深度优化。

长程记忆与SOTA级性能提升

面对几十步的操作，机器人很容易“捡了芝麻丢了西瓜”。EvoVLA并没有简单地压缩历史，而是采用了一种基于注意力的上下文选择机制。它从历史库中检索最相关的Token，并通过门控机制融合到当前状态中。这就像人类在做复杂任务时，只回忆那些对当下决策有用的关键步骤。

实验结果显示，EvoVLA在仿真环境和真机上均取得了SOTA级的提升： 1. 成功率暴涨：平均成功率达到69.2%，相比最强基准OpenVLA-OFT提升了10.2%。 2. 幻觉消除：阶段幻觉率从38.5%大幅降至14.8%。 3. Sim2Real泛化：在真实机器人AIRBOT-Play上，EvoVLA展示了极强的泛化能力，平均成功率达到54.6%。

结语

EvoVLA的出现，为解决VLA模型在长程任务中的可靠性问题提供了一个优雅的解法。它证明了更好的奖励设计、更本质的探索机制以及更聪明的记忆，可以让大模型在具身智能领域走得更远。这种“自我进化”的范式，或许正是通往通用机器人自主学习的关键一步。

随着技术的不断迭代，我们有理由相信，具备更高认知能力的机器人将很快走进我们的生活。想要获取更多关于AI变现、Prompt技巧以及最新的AI日报，请持续关注 AIGC.BAR，这里有最全面的AI门户信息助您把握未来趋势。