PAMAE: Phase-Aware-MoE Action Experts Towards Reliable Flow-Matching Vision-Language-Action Policies

📄 arXiv: 2606.27144v1 📥 PDF

作者: Jiayu Yang, Tao Yang, Xiang Chang, Fei Chao, Changjing Shang, Qiang Shen

分类: cs.RO

发布日期: 2026-06-25

💡 一句话要点

提出PAMAE以解决多阶段机器人操作中的可靠动作生成问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 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 多模态融合 专家系统 相位感知 动作生成 深度学习

📋 核心要点

  1. 现有的流匹配VLA策略在多阶段机器人操作中存在动作生成可靠性不足的问题，难以捕捉不同执行阶段的控制模式。
  2. 本文提出的PAMAE模块通过引入相位感知路由器和稀疏专家混合，优化了动作生成过程，增强了相位一致性。
  3. 实验结果表明，PAMAE在多阶段操作任务中相比强基线提升了最多9.2%的任务成功率，验证了相位一致性专家分配的有效性。

📝 摘要（中文）

多阶段机器人操作中的可靠动作生成对视觉-语言-动作（VLA）模型仍然是一个挑战。现有的流匹配VLA策略虽然具有强大的多模态基础和泛化能力，但通常只使用一个共享的动作专家，限制了其捕捉不同执行阶段的相位特定控制模式的能力。为此，本文提出了一种可插拔的相位感知混合专家动作模块（PAMAE），旨在实现更可靠的相位一致性动作生成。PAMAE用稀疏专家混合替代了原有的流匹配动作专家，同时保留了预训练的VLA骨干网络。该模块引入了一个相位感知路由器，利用执行阶段线索在专家之间分配动作生成，并通过轻量级的相位预测头和路由对齐目标进行支持。通过两阶段训练方案，PAMAE在多阶段操作模拟任务中将任务成功率提高了最多9.2%。

🔬 方法详解

问题定义：本文旨在解决多阶段机器人操作中视觉-语言-动作（VLA）模型在动作生成时的可靠性不足问题。现有方法通常依赖单一共享的动作专家，无法有效捕捉不同执行阶段的相位特定控制模式。

核心思路：论文提出的PAMAE模块通过引入稀疏混合专家和相位感知路由器，利用执行阶段信息在多个专家之间分配动作生成，从而实现相位一致性和更高的动作生成可靠性。

技术框架：PAMAE的整体架构包括预训练的VLA骨干网络、相位感知路由器、轻量级相位预测头和路由对齐目标。首先，使用标准流匹配损失对专家模块进行预热训练，然后在辅助监督下优化相位一致性路由。

关键创新：PAMAE的主要创新在于引入了相位感知路由机制和稀疏专家混合，这与传统的单一专家模型形成了本质区别，能够更好地适应多阶段操作的需求。

关键设计：在设计上，PAMAE采用了两阶段训练方案，首先通过标准流匹配损失进行预热，然后在辅助监督下优化路由。此外，轻量级的相位预测头和路由对齐目标也是其关键设计元素。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果显示，PAMAE在多阶段操作模拟任务中相比于强基线提升了最多9.2%的任务成功率。进一步的消融实验表明，相位监督路由和分阶段优化对提升效果至关重要，验证了相位一致性专家分配的有效性。

🎯 应用场景

该研究的潜在应用领域包括多阶段机器人操作、智能制造和人机协作等场景。通过提高动作生成的可靠性，PAMAE能够在复杂的操作任务中实现更高的成功率，具有重要的实际价值和未来影响。

📄 摘要（原文）

Reliable action generation for multi-stage robotic manipulation remains challenging for Vision-Language-Action (VLA) models. While existing flow-matching VLA policies offer strong multimodal grounding and generalization, they typically employ a single shared action expert, limiting their ability to capture phase-specific control patterns across distinct execution stages. We propose a plug-and-play Phase-Aware Mixture-of-Experts Action Module (PAMAE), as a step towards more reliable phase-consistent action generation. PAMAE replaces the original flow-matching action expert with a sparse expert mixture while preserving the pretrained VLA backbone. PAMAE introduces a phase-aware router that leverages execution-phase cues to allocate action generation across experts, supported by a lightweight phase prediction head and a routing alignment objective. To stabilize specialization, we adopt a two-stage training scheme that first warms up the expert module under the standard flow-matching loss and then optimizes phase-consistent routing under auxiliary supervision. On multi-stage manipulation simulation tasks, PAMAE improves task success by up to \textbf{9.2\%} over strong VLA baselines. Further ablations show that both phase-supervised routing and staged optimization are essential for the observed gains. Our results highlight phase-consistent expert allocation as an effective mechanism for improving the reliability and action quality of flow-matching VLA policies.