CLAW：面向重量感知的视觉-语言-动作框架用于机器人抓取

视觉-语言-动作（VLA）模型最近涌现出作为机器人控制的有前景的方法，使能够实现将自然语言指令 grounding 到视觉-运动动作的端到端策略。然而，当前的 VLA 模型常常难以满足精确的任务约束，例如基于数值阈值的停止条件，因为其观察-动作映射是隐式地由训练数据塑造的，缺乏条件监控的显式机制。本文提出 CLAW（CLIP-Language-Action for Weight，CLIP 语言-动作用于重量），一个能够解耦条件评估与动作生成的框架。CLAW 利用微调的 CLIP 模型作为轻量级提示生成器，持续监控称数读数并根据任务特定的重量阈值生成离散指令。这些提示随后被消费于 $\pi_0$，这是一种基于流的 VLA 策略，它将这些提示与多视角相机观察集成，以产生连续的机器人动作。这种设计使 CLAW 能够将符号化的重量推理与高频率的视觉-运动控制相结合。我们在三个实验场景上对 CLAW 进行了验证：单物体抓取以及需要双臂操作的混合物体任务。在所有条件下，CLAW 都可靠地执行了重量感知行为，并优于原始 $\pi_0$ 和微调后的 $\pi_0$ 模型。我们已将视频作为补充材料上传载。