Self-Improving VLA Policies: Selected Diffusion Noise for Spurious-Robust Action Smoothing

📄 arXiv: 2606.14084v1 📥 PDF

作者: Duc Minh Nguyen, Bao-Ngoc Dao, Tung M. Luu, Binh Gia Nguyen, Vinh Tong, Anji Liu, Vu N. Duong, Dung D. Le, Daniel Sonntag, Trung Le, Ngan Le, Jan Peter, An Thai Le, Minh Nhat Vu, Mathias Niepert, Khoa D. Doan, Duy M. H. Nguyen, Vien Anh Ngo

分类: cs.RO

发布日期: 2026-06-12

💡 一句话要点

提出选择性扩散噪声以解决机器人操作中的脆弱性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作 机器人操作 扩散噪声 鲁棒性提升 动作平滑 无训练方法 动态采样

📋 核心要点

  1. 现有的基于扩散的VLA策略在面对虚假视觉关联和噪声生成时表现脆弱，导致机器人操作的不稳定性。
  2. 本文提出选择性扩散噪声（SDN），通过动态采样噪声向量来增强鲁棒性，减少对虚假线索的依赖。
  3. 实验结果显示，SDN在仿真和真实环境中成功率分别提高了8%和10%，并且动作更加平滑稳定。

📝 摘要（中文）

基于扩散的视觉-语言-动作（VLA）策略在机器人操作中展现出强大的泛化能力，但对虚假视觉关联和噪声动作生成仍然敏感，导致在扰动下表现脆弱。本文提出选择性扩散噪声（SDN），这是一种简单的、无训练的测试时方法，通过利用扩散噪声空间作为可控自由度来提高鲁棒性和成功率。SDN动态采样与参考集最大分离的噪声向量，以减轻对虚假线索的依赖，同时选择产生更连贯动作轨迹的候选项。实验结果表明，SDN在两个仿真基准（Google Robot, Widow-X）和两个真实世界机器人数据集上均表现出显著的成功率提升。

🔬 方法详解

问题定义：本文旨在解决基于扩散的VLA策略在机器人操作中对虚假视觉关联和噪声生成的敏感性问题，现有方法在扰动下表现脆弱，导致操作不稳定。

核心思路：提出选择性扩散噪声（SDN），通过动态选择与参考集最大分离的噪声向量，减少对虚假线索的依赖，同时确保生成的动作轨迹更加连贯。

技术框架：SDN的整体架构包括噪声向量的动态采样模块和动作生成模块。首先，从扩散噪声空间中采样噪声向量，然后将其应用于动作生成，以实现更稳定的操作。

关键创新：SDN的最大创新在于其无训练的测试时方法，通过选择性噪声采样来增强VLA策略的鲁棒性，这与传统方法依赖于模型参数的调整有本质区别。

关键设计：在SDN中，关键设计包括噪声向量的选择策略和动作生成算法，确保在不修改模型参数的情况下，能够有效减少动作抖动并提高成功率。具体的损失函数和参数设置在实验中进行了优化，以实现最佳效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，选择性扩散噪声（SDN）在仿真环境中成功率提高了8%，在真实世界设置中提高了10%。此外，SDN还有效减少了动作抖动，生成了更平滑和稳定的动作轨迹，显示出其在增强VLA策略方面的有效性。

🎯 应用场景

该研究的潜在应用领域包括机器人操作、自动化制造和智能家居等场景。通过提高机器人在复杂环境中的鲁棒性，SDN能够显著提升机器人执行任务的成功率和稳定性，具有广泛的实际价值和未来影响。

📄 摘要（原文）

Diffusion-based Vision-Language-Action (VLA) policies enable strong generalization in robotic manipulation, but remain sensitive to spurious visual correlations and noisy action generation, leading to brittle behavior under perturbations. We introduce Selected Diffusion Noise (SDN), a simple, training-free test-time method that improves both robustness and success rate by leveraging the diffusion noise space as a controllable degree of freedom. SDN dynamically samples noise vectors that are maximally separated from a reference set to mitigate reliance on spurious cues, while selecting candidates that yield more coherent action trajectories. This dual objective encourages stable behavior even under object-masked observations and reduces action jitter without modifying model parameters. We evaluate SDN on two simulation benchmarks (Google Robot, Widow-X) and two real-world robotic datasets across multiple VLA policies, including pi_0, Groot-N1.5, and Groot-N1.6. SDN consistently improves success rates by +8% in simulation and +10% in real-world settings, while producing smoother and more stable actions. Our results highlight that diffusion noise selection can serve as an effective and general mechanism for enhancing VLA policies at test time.