VLA-Reasoner：通过在线蒙特卡洛树搜索赋予视觉-语言-动作模型推理能力
机器人学
2026-03-03 v2
摘要
视觉-语言-动作模型（VLA）通过扩展模仿学习在通用机器人操作任务中取得了优异性能。然而，现有的 VLA 仅限于预测短视的下一动作，由于增量偏差而难以应对长时程轨迹任务。为了解决这个问题，我们提出了一个名为 \method 的即插即用框架，该框架通过测试时扩展有效地赋予现成的 VLA 预见未来状态的能力。具体而言，\method 采样并展开可能的动作轨迹，其中涉及的动作是生成未来状态的基础，这使得 \method 能够通过世界模型预见并推理潜在结果，搜索最优动作。我们进一步利用蒙特卡洛树搜索（MCTS）来提高大动作空间中的搜索效率，其中逐步 VLA 预测作为根节点。同时，我们引入了一种基于核密度估计（KDE）的置信度采样机制，以在 MCTS 中实现无需冗余 VLA 查询的高效探索。我们通过离线价值评估策略评估 MCTS 中的中间状态，以对预测的未来进行评分，并通过长期反馈纠正偏差。我们在模拟器和真实世界中进行了广泛实验，证明我们提出的 VLA-Reasoner 相比 SOTA VLA 取得了显著提升。我们的方法突显了机器人操作中可扩展测试时计算的一条潜在路径。项目网站见：https://vla-reasoner.github.io/。
引用
@article{arxiv.2509.22643,
title = {VLA-Reasoner: Empowering Vision-Language-Action Models with Reasoning via Online Monte Carlo Tree Search},
author = {Wenkai Guo and Guanxing Lu and Haoyuan Deng and Zhenyu Wu and Yansong Tang and Ziwei Wang},
journal= {arXiv preprint arXiv:2509.22643},
year = {2026}
}
备注
8 pages, 6 figures, Accepted by ICRA 2026