EXIMO: 基于视觉语言模型引导的VLA策略探索

摘要

EXIMO是一种高效微调视觉-语言-动作（VLA）策略的算法，它结合视觉语言模型（VLM）作为规划器，将长时程任务分解为短任务，并通过三阶段流程（探索、模仿、优化）实现新任务的快速学习。在探索阶段，VLM与VLA协作收集编排数据；模仿阶段用这些数据微调VLA；优化阶段采用残差离策略强化学习进一步调整。实验表明，EXIMO在样本效率和最终性能上显著优于现有方法。