CheckVLA: Execution-Time Verification with Action-Conditioned World Model for Long-Horizon Mobile Manipulation

📄 arXiv: 2607.26789v1 📥 PDF

作者: Yushan Liu, Peibo Sun, Xintao Chao, Zhenyang Yang, Yifan Xie, Lingfeng Zhang, Shoujie Li, Chenyu Tang, Fang Chen, Xiao-Ping Zhang, Wenbo Ding

分类: cs.RO

发布日期: 2026-07-29

💡 一句话要点

提出CheckVLA以解决长时间移动操控中的执行验证问题

🎯 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: 长时间移动操控 执行验证 动作条件模型 机器人技术 智能家居 自主操作 反馈恢复

📋 核心要点

  1. 现有的VLA策略在执行长时间移动操控时，无法有效应对执行过程中的意外偏差，导致错误累积。
  2. CheckVLA通过引入一个动作条件的世界模型来验证执行，确保在执行过程中能够及时识别并修复偏差。
  3. 在RoboCasa365的实验中，CheckVLA的成功率达到36.1%，相比于传统方法提升了8.5个百分点，且及时召回率显著提高。

📝 摘要（中文）

视觉-语言-动作（VLA）策略通常通过开放式动作块执行长时间移动操控，然而在执行过程中，意外的偏差可能导致预期的观察演变被违反。为了解决这一问题，本文提出了CheckVLA，它利用一个单独训练的、冻结的动作条件世界模型来验证执行。通过设定风险阈值，CheckVLA能够有效控制干预时机，并通过事件驱动的关键帧库保存修复过程中的证据。实验结果表明，CheckVLA在RoboCasa365上取得了36.1%的平均成功率，相较于27.6%的周期性重新规划有显著提升。

🔬 方法详解

问题定义：本文解决的问题是如何在长时间移动操控中有效验证执行过程，现有方法在面对执行偏差时缺乏及时反馈，导致错误无法被及时纠正。

核心思路：CheckVLA的核心思路是利用一个单独训练的、冻结的动作条件世界模型来进行执行验证，从而在执行过程中保持对偏差的敏感性。

技术框架：CheckVLA的整体架构包括风险阈值设定、事件驱动的关键帧库和延迟感知的硬前缀设计。风险阈值用于控制干预时机，关键帧库保存修复过程中的证据，而硬前缀设计则限制了替换动作的范围。

关键创新：CheckVLA的主要创新在于引入动作条件的世界模型进行执行验证，这一方法与传统的观察仅基线相比，能够更有效地恢复反馈并保持修复的一致性。

关键设计：在设计中，风险阈值的设定是通过符合校准的方法进行的，确保了干预的必要性。同时，延迟感知的硬前缀设计确保了只有可部署的动作才会被替换，增强了系统的稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在RoboCasa365的实验中，CheckVLA实现了36.1%的平均成功率，相比于27.6%的周期性重新规划提升了8.5个百分点。同时，在5%的误报目标下，CheckVLA的及时召回率达到了77.9%，显著高于观察仅控制的48.6%和动作洗牌控制的37.9%。

🎯 应用场景

CheckVLA的研究成果在移动机器人、自动化制造和智能家居等领域具有广泛的应用潜力。通过提高长时间操控的执行可靠性，该方法能够显著提升机器人在复杂环境中的自主操作能力，进而推动智能机器人技术的发展。

📄 摘要（原文）

Vision-language-action (VLA) policies commonly execute long-horizon mobile manipulation through open-loop action chunks, issuing multiple actions without receiving new high-level visual input. A committed chunk therefore implies how observations should evolve, but accidental deviations can violate this expectation while the remaining actions continue to propagate the error: commit-time policy confidence cannot react to a deviation that occurs after dispatch, and observation-only anomaly scores lack an action-conditioned reference for separating expected effects from unexplained changes. We propose CheckVLA, which verifies execution with a separately trained, frozen action-conditioned world model. A conformally calibrated risk threshold bounds the episode-level probability of an unnecessary first intervention and determines when to intervene, its exceedance controls how strongly the rewritten suffix retains the superseded chunk, latency-aware hard prefixing restricts replacement to actions that remain deployable, and an event-driven keyframe bank preserves evidence of prior progress across repairs. On RoboCasa365, under a common training recipe and a matched invocation budget, CheckVLA attains a 36.1% average success rate against 27.6% for periodic replanning (+8.5 points). At a matched 5% episode-level false-alarm target, action conditioning raises timely recall to 77.9%, against 48.6% for an observation-only control and 37.9% for an action-shuffled control. These simulation results support action-conditioned verification as a way to restore feedback during chunked execution while keeping the repair consistent with inference latency.