ALAM：视觉-语言-动作模型的代数一致潜变量转换

ALAM: Algebraically Consistent Latent Transitions for Vision-Language-Action Models

视觉-语言-动作（VLA）模型仍受限于带动作标注的机器人数据匮乏，而无动作视频提供了物理世界变化的丰富证据。潜在动作模型为从视频中提取此类先验知识提供了有前景的方案，但基于重建训练的潜在编码未必适用于策略生成——它们可能预测未来观测，却缺乏可重复使用或与机器人动作连贯生成所需的结构。我们提出ALAM（代数潜在动作模型），一种代数一致的潜在动作模型，可将无动作视频中的时序关系转化为结构化监督。基于帧三元组，ALAM学习由重建驱动且受组合一致性与可逆一致性约束的潜在迁移，从而鼓励局部可加的迁移空间。在下游VLA学习中，我们冻结预训练编码器，将其潜在迁移序列作为辅助生成目标，与机器人动作在联合流匹配目标下共同生成。该机制将结构化的潜在迁移与基于流的策略生成耦合，使策略能够利用ALAM局部一致的迁移几何特性，而无需潜在-动作解码。表征探测表明，相较于无结构潜在动作基线，ALAM将加性误差与可逆性误差降低25-85倍，并提升长时序累积重建质量。当迁移至VLA策略时，ALAM在MetaWorld MT50上将平均成功率从47.9%提升至85.0%，在LIBERO上从94.1%提升至98.1%，并在真实世界操作任务中取得持续增益。消融实验进一步证实，代数结构化的潜在迁移与联合流匹配的协同效应带来了最显著的改进。