AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding

核心要点

问题/背景

这篇论文针对 VLA 模型的结构性问题：预训练 VLM 的语义空间和机器人控制策略之间存在错配，直接从语言/图像到动作会削弱精确的 perception-action mapping。

方法/机制

AffordanceVLA 把 affordance forecasting 做成任务导向的中间表示，拆成 Which2Act、Where2Act 和 How2Act 三个层次：先做对象级 grounding，再预测 2D interaction affordance map，最后引入 3D 几何推理指导操作策略。

结果/证据

系统把这些线索接入 Mixture-of-Transformer 架构，并用三阶段训练和渐进式数据课程处理密集 affordance 标注稀缺问题。

收录价值

收录价值在于它和刚入库的 Affordance2Action 形成互补：一个偏 benchmark/data pipeline，一个偏 VLA policy architecture，共同说明 affordance-aware intermediate representation 正在成为机器人操作的新接口。