- 现有**视觉-语言-动作(Vision-Language-Action, VLA)** 模型在适应新任务时面临**数据效率低** 和**泛化能力差** 的问题
- 根本原因在于当前范式采用**直接指令到控制映射(Direct Instruction-to-Control Mapping)**，迫使模型记忆整体轨迹而非可复用的运动模式
- 研究背景：通用机器人策略（generalist robotic policies）需要高效适应不同场景，但现有方法在数据利用和泛化上存在瓶颈
- 提出**原始中心式拆解与组装(Primitive-Centric Disassemble & Assemble)** 范式，将任务拆解为可复用的运动原语(motion primitives)
- 构建**多模态标准表征(Multimodal Canonical Representation, MCR)**，统一两个阶段：微调阶段的**自动拆解(Disassembly)** 流水线，将演示数据分解为原语；推理阶段的**组装(Assembly)**，使用**视觉-语言模型(VLM)规划器** 和**大语言模型(LLM)生成的切换模块** 实现鲁棒的闭环执行
- 通过解耦任务为可复用原语，使VLA模型学习不变的运动模式而非特定任务的轨迹
- **范式转变**：从直接指令到控制映射转变为原语中心的拆解与组装，首次将运动原语作为核心构建块引入VLA框架
- **自动化分解**：提出无需人工标注的自动拆解流水线，从演示中提取可复用的运动原语
- **闭环组装机制**：结合VLM规划器与LLM生成的切换模块，实现零样本(zero-shot)泛化到未见和长时程(long-horizon)任务
- **共享多模态标准表征(MCR)**：统一不同阶段的原语表示，提升跨任务复用效率
- 为**机器人操作(robotic manipulation)** 领域提供了一种高效且可泛化的新范式，显著提升VLA模型的**数据效率(data efficiency)**
- 在未见任务和长时程任务上实现优越的**零样本泛化(zero-shot generalization)** 性能
- 提出自动化原语分解与组装框架，降低了VLA模型适应新任务的门槛
- 验证了运动原语在视觉-语言-动作模型中作为可复用基础组件的有效性，为后续研究奠定基础