TraceVLA：给机器人配"运动残影"，让它知道刚才手往哪走了¶
📅 2024-12 · 🏛 Microsoft/UMD · 🏷 VLA·视觉提示 📌 一句话省流：把机器人"状态-动作轨迹"画成可视化提示喂回 VLA，增强它对时空/运动的感知；在 SimplerEnv 上比 OpenVLA +10%、真机任务 3.5×。 ≈ 打比方：像给机器人加了"运动轨迹残影"，它能看见自己刚才怎么动的。 🎬 演示：见论文 ⚠️ 摘要级：仅读 arXiv 摘要，🧬关系为推断(🔶)，待补全文精读。
🧰 对我们（可用性速判）¶
- 对我们的用处：思路借鉴——"把时序信息画成图喂回模型"是个低成本提升时空感知的技巧；而且 4B 紧凑版≈7B OpenVLA，对轻量化部署有启发。
- 真实性(前期)：微软 + 有 SimplerEnv/真机双验证，可信度较高；🔶 数字未逐条核。
- 训练/微调资源：OpenVLA 微调级；紧凑版基于 Phi-3-Vision(4B)。
- 能借多少(开源)：代码开源状态待核；方法清晰可复刻。
- 可用性结论：思路可借鉴 / 待核代码。
- 📖 详读（按需）：暂无（摘要级）。
亮点（摘要级定位）¶
- 视觉轨迹提示(visual trace prompting)：把状态-动作轨迹编码成视觉形式叠回输入，强化时空动态理解。
- 效果硬：SimplerEnv +10%、真机 3.5×（vs OpenVLA）。
- 轻量化有戏：Phi-3-Vision 4B 变体 ≈ 7B OpenVLA。
- 评测面：SimplerEnv 137 配置 + 真机 WidowX 4 任务。
🧬 与其他工作的关系（🔶 推断，待全文核）¶
- 承接：卡片-OpenVLA（微调增强）；紧凑版用 卡片-Open-X-Embodiment 预训练。
- 同组：与 卡片-Magma 同为 Jianwei Yang 圈子——"标记/轨迹作为感知-动作中介"是共同主题。
- 对照：和 卡片-ECoT 都是"给 VLA 加辅助信号提升泛化"，但 ECoT 加的是语言推理、TraceVLA 加的是视觉轨迹。
关键数字（每条带来源 [n]）¶
- [1] 比 OpenVLA：SimplerEnv +10%、真机 3.5×（✅ arXiv 摘要）。
- [2] 评测：SimplerEnv 137 配置 + 真机 WidowX 4 任务（✅ arXiv 摘要）。
- [3] Phi-3-Vision(4B) 变体 ≈ 7B OpenVLA（✅ arXiv 摘要）。
🔎 证据与可信度（见 _卡片规范）¶
- 论文：arXiv 2412.10345（已核摘要；未读全文）。
- 代码：开源状态待核。
- 证据等级：C（摘要级）→ 权重：中(偏上)；核心主张 ✅，关系 🔶。
🧪 复现条件与成本（暂不亲做，只估）¶
- 基础：OpenVLA / Phi-3-Vision + Open-X 预训练。
- 时间估计：若代码开源，复现约 2 周。🔶
💡 我的批注 / 判断（🤖，待人复核）¶
- "把辅助信息画成图喂回 VLA"是个通用且便宜的招——触觉版可设想：把"接触/力的时序"渲染成图叠回输入，对照 卡片-AdapTac-PredictiveForceAttention。
- 轻量化(4B≈7B)那条对我们若要上真机很有价值，值得升全文确认细节。
来源编号¶
- [1][2][3] arXiv 2412.10345 摘要（✅）。
- 🧬 关系：🤖 推断（🔶 待全文核）。