长程操作不再只靠一句总指令:GTI按子任务与阶段生成视觉目标,真机整任务成功率从21.7%升到59.2%
视觉—语言—动作模型能从画面、语言和机器人状态生成动作,但一条全局指令在长程任务中始终不变,机器人容易跳过或重复子任务、过早切换阶段。GTI用当前观测和执行历史定位正在执行的子任务及其阶段,再按阶段生成“接触”或“局部完成”两种视觉目标,与局部语言指令一起条件化VLA。在RoboCasa365上,GR00T在已见复合任务的ID/OOD成功率由14.6%/12.1%升至31.8%/20.4%;三个真实PiPER任务的整任务平均成功率由21.7%升至59.2%。