A³-VLA：自动感知引导注意力对齐提升机器人操作

A³-VLA 提出一种自动感知引导注意力对齐框架，用于机器人操作中的视觉-语言-动作模型。研究指出动作预测目标本身缺少细粒度任务感知监督，模型容易依赖任务无关的视觉捷径，注意力偏离目标物体和关键交互区域。该方法从操作过程本身产生的视觉变化中生成目标物体与机器人的候选区域，再用视觉分割模型离线精修，并通过注意力分配损失和对比学习损失提供显式感知引导。在仿真和真实世界操作任务上的实验显示，A³-VLA 在多个 VLA 骨干模型上均带来提升，各基准平均成功率提高 6.5% 至 25.2%。