A Phenomenology of Neural Geometry in Vision-Language-Action Models

arXiv:2610.20840v1 公告类型：新

摘要：机器人操作本质上是几何的，但在执行操作的策略内部，世界呈现出什么形状？此前关于视觉-语言-动作（VLA）策略的研究已确立，任务相关变量可以从激活中线性读出，然而可读性只能证明某个变量存在，却无法说明其取值所描绘的形状，而该形状可能是弯曲的、多维的。我们借助受控扫描、自然 rollout、线性探针和激活干预，构建了 VLA 模型中七个任务相关概念的分类体系。我们发现，实际实现的几何形状以多维为主，并且受策略行动时所受约束的塑造。例如，物理关节限位使腕部朝向呈现为一段开放弧而非一个圆；而到目标的距离这一单一标量，则在两个正交子空间中实现——一个用于接近的粗标尺和一个用于抓取的细标尺。相同的几何形状在两个使用真实世界机器人数据的其他 VLA 模型中再次出现，表明它们既非模型特有，也非仿真的产物。我们通过沿某个概念所实现的几何进行引导，展示了这些发现如何具有可操作性。总体而言，这项工作勾勒出 VLA 策略中实现几何的初步现象学，并表明一个概念的形状与其可读性同等重要。