LIT：减少机器人把背景当成动作线索
Breaking the Vision-Action Shortcut: Latent Interface Training for Generalizable Robotics Foundation Models
先用无图像训练建立动作基础，再让视觉通过受目标位姿监督的中间表示进入动作模块。四种架构与三个实机任务有改善；换机位后合计成功率仍只有46.7%，需扩大验证。
相关期次：2026-09-15 精选
阅读笔记
Juju Radar · 2026-09-15
机器人在训练场景里表现不错，换一盏灯、换一个摄像头位置，成功率却明显下降。LIT 的解释是：模型可能把无关的视觉细节也当成了动作线索。看得多，未必意味着学到了该看的东西。
它分两步训练。先不给图像，只用语言、机器人状态和示范动作的终点学习怎么运动；再加入视觉，但让视觉信息经过一组中间表示，才传给动作模块。训练时还要求这组表示能还原目标位置和姿态，鼓励它保留与动作有关的空间信息。实际运行时，不需要人额外提供终点坐标。
作者在四种机器人模型架构上做了实验，真实机器人部分只有三个任务。换机位后，三个任务合计成功率从 30.0% 升到 46.7%；有改善，但远谈不上可靠。相关代码、实机模型权重和数据已公开，尚未独立复现。这篇适合继续追：它尝试改变视觉信息进入动作模块的方式，而非单纯增加训练图片。论文 9 月 11 日提交，14 日进入 arXiv 公告。
入选理由：利用无图像动作预训练和受位姿监督的中间表示，减少机器人把背景当动作线索；跨四种架构，并有小规模真实机器人验证。
重要度：8.5/10。
论文提交：2026-09-11；arXiv公告：2026-09-14。
论文：https://arxiv.org/abs/2609.12641
本期资料：https://www.asteronline.cn/juju-radar/2026-09-15/
AI 辅助整理；原始 PDF 以链接附件保存，未独立复现。
笔记记录收录当期的判断。阅读一手材料不等于独立复现；后续进展请以原始来源为准。