LayerRoute：面向视觉-语言-动作策略的动作条件混合层路由

arXiv:2609.06079v3 公告类型：替换交叉 摘要：视觉-语言-动作（VLA）策略利用预训练视觉-语言模型（VLM）指导机器人控制中的动作生成。VLM 提供跨层演化的层次化视觉-语义表征，其内容从局部视觉几何逐渐发展为抽象且与语言对齐的语义；因此，不同操作任务可能需要不同的层表征组合。与此同时，动作模块维护着在动作计算过程中不断演化的中间表征，这些表征可能为后续决策提供有用信息。然而，现有的 VLA 接口在表征访问方面灵活性有限：VLM 信息通过为每个动作层固定分配层来暴露，而中间动作状态仅通过残差流隐式传递，无法被显式复用。我们提出 LayerRoute，一种动作条件表征路由接口，可实现对 VLM 层和动作表征的自适应访问。其中，Layer Mixture Router 动态构建缓存 VLM 表征的混合，Action-State Reread 则复用较早的动作表征。在多样化的仿真和真实世界基准测试中，LayerRoute 持续提升 StarVLA-$\pi$ 和 $\pi_{0.5}$ 的性能，在 LIBERO Long 上最高提升 7.2，同时仅增加 0.31% / 3.87% 的参数量。消融实验验证了动作条件层路由的有效性，而路由分析揭示了不同动作层和任务设置下具有结构性的分配模式。