该论文旨在解决语言条件化机器人操作中的轨迹生成问题。研究背景是：
- 现有方法需要大量机器人本体数据训练，成本高昂
- 从操作前图像和自然语言指令生成物体轨迹时，存在指令与光流对齐的挑战
- 需要能够利用人类和网络视频进行训练，减少对机器人本体数据的依赖
论文提出了基于光流的语言指令引导开环动作生成器(LILAC)，这是一个基于光流的视觉-语言-动作模型(VLA)：
- 从RGB图像和自然语言指令生成以物体为中心的2D光流(optical flow)
- 将2D光流转换为6自由度(6-DoF)机械臂轨迹
- 包含两个关键组件：语义对齐损失(Semantic Alignment Loss)增强语言条件化，确保生成与指令对齐的光流；提示条件化跨模态适配器(Prompt-Conditioned Cross-Modal Adapter)对齐学习的视觉提示与图像和文本特征，为光流生成提供丰富线索
论文的核心创新点包括：
- 首次提出基于光流的语言条件化开环轨迹生成框架，将视觉-语言-动作模型(VLA)与光流生成相结合
- 设计了语义对齐损失(Semantic Alignment Loss)，专门解决指令与生成光流之间的对齐问题，这是现有方法未充分考虑的
- 引入了提示条件化跨模态适配器(Prompt-Conditioned Cross-Modal Adapter)，通过学习的视觉提示桥接图像和文本模态，提供更丰富的跨模态线索
- 实现了从2D光流到6-DoF机器人轨迹的转换，仅需少量机器人本体数据即可训练，显著降低了数据需求
论文对该领域的整体贡献是：
- 提出了一种新的语言条件化机器人操作框架LILAC，在多个基准测试中生成的光流质量优于现有方法
- 在自由形式指令的物理物体操作实验中，实现了比现有方法更高的任务成功率
- 展示了利用人类和网络视频进行训练的可能性，减少了对昂贵机器人本体数据的依赖
- 为视觉-语言-动作模型(VLA)在机器人操作中的应用提供了新思路，特别是将光流作为中间表示连接感知与动作