SOMA：面向视觉语言-动作模型鲁棒性的战略编排与记忆增强系统
机器人学
2026-03-30 v2
摘要
尽管视觉语言-动作 (VLA) 模型作为通用机器人控制器的前景广阔，但其对感知噪声和环境变化的鲁棒性在分布外 (OOD) 任务中仍受限于缺乏长期记忆、因果失效归因和动态干预能力。为此，我们提出了 SOMA，即 Strategic Orchestration and Memory-Augmented System，用于为冻结的 VLA 策略实现鲁棒的上下文适应而无需参数微调。具体而言，SOMA 通过对比性 Dual-Memory 检索增强生成 (RAG)、面向 Attribution-Driven 的大型语言模型 (LLM) 编排器以及可扩展的 Model Context Protocol (MCP) 干预，同时通过离线记忆巩固模块持续提炼执行痕迹形成可靠先验。我们在三个 backbone 模型 (pi0、pi0.5 和 SmolVLA) 上进行实验评估，分别在 LIBERO-PRO 和我们提出的 LIBERO-SOMA 基准测试中，表明 SOMA 在平均绝对成功率上实现了 56.6% 的提升，包括在长期任务链中的显著 89.1% 绝对改进。项目页面和源代码均可在 https://github.com/LZY-1021/SOMA 查阅。
引用
@article{arxiv.2603.24060,
title = {SOMA: Strategic Orchestration and Memory-Augmented System for Vision-Language-Action Model Robustness via In-Context Adaptation},
author = {Zhuoran Li and Zhiyang Li and Kaijun Zhou and Jinyu Gu},
journal= {arXiv preprint arXiv:2603.24060},
year = {2026}
}
备注
9 pages, 16 figures, 3 table