斯坦福顶尖具身智能赛事Behavior Challenge 2025冠军方案详解

00:12 比赛介绍

00:58 比赛难点

02:50 模型整体架构

模型优化

• 03:57 任务嵌入替代自然语言描述
• 04:23 融合任务阶段与阶段信息
• 06:22 动态适配动作专家对视觉语言特征
• 07:51 设计增量动作空间 + 每时间步归一化

训练优化

• 08:49 噪声基于动作时序与关节协同关系建模
• 10:43 多样本 Flow Matching 单次跑vlm前向训练方式
• 11:29 多任务训练与任务特化微调训练策略

推理优化

• 12:46 长时程动作序列平滑机制
• 15:47 通过cubic spline interpolation压缩动作提速
• 17:55 在线跟踪与投票逻辑稳定任务
• 20:12 针对常见失败模式的轻量级规则修正

论文指路：Task adaptation of Vision-Language-Action model: 1st Place Solution for the 2025 BEHAVIOR Challenge