RouterVLA: Turning Smoke Tests into Supervision for Heterogeneous VLA Selection
作者: Xingyu Ren, Chugang Yi, Ge Ma, Youran Sun
分类: cs.RO
发布日期: 2026-06-25
💡 一句话要点
提出RouterVLA以优化异构VLA策略选择
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 视觉-语言-行动 策略选择 机器人团队 多模态学习 评估回放 交叉拟合 性能提升
📋 核心要点
- 现有的策略选择方法在评估和选择过程中存在效率低下的问题，无法充分利用预部署评估数据。
- 论文提出RouterVLA，通过结果不相交的交叉拟合方法，重用烟雾测试数据来监督策略选择，提升选择效率。
- 实验结果显示，使用透明探测成功规则，持出成功率从0.4686提升至0.6149，增幅达到14.64个百分点，显示出显著的性能提升。
📝 摘要（中文）
本研究探讨了预部署评估回放是否可以重用于监督策略选择。机器人团队通常对候选的视觉-语言-行动（VLA）策略进行烟雾测试，然后将这些试验压缩为一个全局赢家。RouterVLA通过结果不相交的交叉拟合来评估这一想法：记录的探测器为每个冻结的专家建立一个档案，而单独的试验则在不进入其档案的情况下对所选专家进行评分。在34,752个LIBERO-Plus回放记录中，透明的探测成功规则将持出成功率从0.4686提高到0.6149，增幅为14.64个百分点。在这里研究的仅标量档案下，学习的评分器在统计上与该规则无显著区别，表明委托具有路由价值，而额外的标量评分器容量并未创造它。重用评分试验将测得的增益膨胀了1.87倍，因此可信的账本路由需要结果分离；模型扩展改善了单个策略，而考虑委托的路由则改善了由这些策略构建的系统。
🔬 方法详解
问题定义：本论文旨在解决如何有效利用预部署评估回放数据来优化异构VLA策略选择的问题。现有方法未能充分利用这些数据，导致策略选择效率低下。
核心思路：论文的核心思路是通过结果不相交的交叉拟合方法，使用记录的探测器数据为每个冻结的专家建立档案，并在不干扰档案的情况下对专家进行评分，从而提高策略选择的效率和准确性。
技术框架：整体架构包括数据收集、探测器档案建立、专家评分和策略选择四个主要模块。首先，收集大量的回放数据，然后为每个专家建立档案，接着进行独立评分，最后根据评分结果选择最佳策略。
关键创新：最重要的技术创新点在于提出了透明的探测成功规则，该规则能够在不依赖额外标量评分器的情况下，显著提高策略选择的成功率。这一方法与传统方法的本质区别在于其有效利用了历史数据进行策略优化。
关键设计：在设计中，采用了结果不相交的交叉拟合策略，确保评分过程的独立性。此外，设置了适当的损失函数以优化评分器的性能，并在网络结构上进行了调整，以适应多模态数据的处理需求。
🖼️ 关键图片
📊 实验亮点
实验结果表明，使用透明探测成功规则后，持出成功率从0.4686提升至0.6149，增幅达到14.64个百分点。此外，重用评分试验使得测得的增益膨胀了1.87倍，显示出该方法在策略选择中的显著优势。
🎯 应用场景
该研究的潜在应用领域包括机器人团队的策略选择、自动化决策系统以及多模态学习任务。通过优化策略选择过程，能够提高机器人在复杂环境中的适应能力和决策效率，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
We study whether pre-deployment evaluation rollouts can be reused to supervise policy selection. Robot teams routinely smoke test candidate vision-language-action (VLA) policies, then compress those trials into a global winner. RouterVLA evaluates this idea with outcome-disjoint cross-fitting: recorded probes build a profile for each frozen expert, and a separate trial scores the selected expert without entering its profile. Across 34,752 LIBERO-Plus rollout records, a transparent probe-success rule raises held-out success from 0.4686 to 0.6149, a +14.64pp gain. Under the scalar-only profiles studied here, learned scorers are statistically indistinguishable from this rule, showing that commissioning carries the routing value while extra scalar scorer capacity does not create it. Reusing the scored trial inflates the measured gain by $1.87\times$, so credible ledger routing needs outcome separation; model scaling improves individual policies, while commissioning-aware routing improves the system built from them.