新型训练正则化EGR让机器人多模态策略在传感器失效时成功率最高提升120%
arXiv论文提出证据门控正则化（EGR），在不增加推理开销的前提下，通过区分信息性传感器与无关传感器来缓解视-语-动（VLA）策略的模态纠缠问题。
AI解读：机器人操控策略常要融合摄像头、触觉、语言等多种传感器，但训练数据少且场景单一，模型容易学会依赖无意义的传感器相关性，而不是真正任务相关的信号。例如某个传感器失效被噪声覆盖时，策略性能大幅下降。这篇论文提出的EGR方法，在训练时为每一帧、每个传感器计算一个任务相关性信号，并用这个信号分别施加两种约束：对低相关性的传感器保持输出不变（避免被干扰带偏），对高相关性的传感器训练单靠它也够用（一个传感器坏了不至于全瘫）。这相当于给模型加了个注意力机制，告诉它哪些传感器值得信。论文在模拟和两套真实机器人上验证，EGR使单传感器回退下成功率从2.8%提升到6.1%，对无信息传感器加噪时从9.4%提升到16.5%；在真实双臂机器人上，物理物体干扰下成功率从30%提升到85%。关键点是EGR不增加推理时的任何计算量，处理器或传感器并未改变，只是改变训练方式，因此现有策略可以直接受益。不过，这些结果是在特定机器人平台和47项技能上测试的，真实车间或家庭的遮挡、触感反馈仍可能比论文场景更复杂，效果会打折扣。对机器人开发者的直接意义是：如果你遇到某个传感器被遮挡或失灵后整个系统失灵，EGR是低成本改进方向，但需要算力重新训练模型。普通读者不需要任何行动。
9月2日提交至arXiv的一项研究提出证据门控正则化（EGR）训练目标，用于缓解视觉-语言-动作（VLA）策略中的“模态纠缠”问题——即训练数据有限且同质时，模型学会利用传感器间虚假相关性而非任务相关信息。EGR不增加推理开销，在模拟基准和两套不同形态的真实机器人上提升了成功率。
模态纠缠与EGR机制
论文由Yue Yang、Diego Romeres、Chiori Hori、Gedas Bertasius、Daniel Szafir、Siddarth Jain撰写。他们指出，VLA策略融合多种感官输入，在真实遮挡和干扰物下，会出现两类失效：对无关传感器损坏的过度敏感（nuisance sensitivity），以及仅剩单一有效传感器时的单模态不足（single-modality insufficiency）。
EGR是一种与模态无关的训练目标，推理时无额外开销。它从输入的上下文token中为每一帧、每个传感器推导任务相关性信号，并用该信号门控两个状态条件一致性目标：对低证据（low-evidence）的传感器施加不变性约束，对高证据（high-evidence）的传感器施加单传感器充分性约束。
BEHAVIOR-1K基准与模拟结果
研究团队引入了一个基于BEHAVIOR-1K的基准，包含一组快速诊断套件和针对模态纠缠的47项基于卷展（rollout）的技能。
在模拟中，EGR将全模态下的成功率从12.5%提升至16.4%（相对提升约31%）；在无效传感器损坏情况下，从9.4%提升至16.5%（相对提升约75%）；在单传感器回退情况下，从2.8%提升至6.1%（相对提升约120%）。
真实机器人验证
作者在两个实体平台上验证了EGR：一个双臂设置，采用两台Kinova机械臂和三台RGB相机；另一个单臂设置，采用三菱MELFA ASSISTA机械臂，结合视觉与GelSight触觉传感器。
在物理物体干扰下，EGR将双臂平台的成功率从30%提升至85%（相对提升约183%），将触觉平台的成功率从55%提升至70%（相对提升约27%）。