面向密集堆积环境的层次化场景清除式双手操控
机器人学
2026-03-10 v1
摘要
现代视觉-语言-动作模型在高密度操控环境中常因指令遵循失败而受限，where 任务无关的视觉杂乱会稀释注意力、破坏 grounding，并在复杂长期场景中显著降低性能。为克服单层架构的表示瓶颈，我们提出HSC-VLA，一种层次化框架，通过显式的场景清除抽象将高层视觉-语义推理与低层高频传感器-运动执行解耦。HSC-VLA采用高层大脑（Brain）来分解长期任务，生成保留任务相关几何结构同时抑制干扰项的任务专用场景掩码。经过滤除的观察随后传递给低层小脑（Cerebellum），后者基于掩码过滤后的视觉和 proprioception 执行双手操控。我们在密集杂乱的超市货架上进行了大量实验，表明HSC-VLA在高密度杂乱环境下实现了86.7%的聚合成功率，显著优于最佳单层基线（π0-Full FT仅34.3%），提升52.4%。HSC-VLA还显示出强大的长期性能，在杂乱排序任务中达到72%，在补货任务中达到66%，在复杂杂乱操控中展现出强大的鲁棒性和有效的故障恢复能力。
引用
@article{arxiv.2603.07484,
title = {HSC-VLA: Hierarchical Scene-Clearing for Robust Bimanual Manipulation in Dense Clutter},
author = {Zhen Liu and Xinyu Ning and Zhe Hu and XinXin Xie and Yitong Liu and Zhongzhu Pu},
journal= {arXiv preprint arXiv:2603.07484},
year = {2026}
}