ProgressVLA 精读 — Progress-Guided Diffusion Policy

速览

方法

Benchmark/任务

实验

与课题关系

自测

来源：PDF 原文核对；本地未找到源码仓库，机制以论文描述为准。

一句话

ProgressVLA 把任务进度变成 diffusion policy 的推理时引导信号：先训练 progress estimator 判断当前/未来状态离完成还有多远，再用 action-conditioned world model 预测动作导致的未来视觉 latent，最后把 progress gradient 反传到 latent action diffusion sampling 中。

start/current 图像 + 指令

→

DINOv2 patch 特征 + cross attention

→

progress p∈[0,1]

→

通过 world model 对候选动作求梯度

→

修正 diffusion action sample

核心模块

模块	功能
Progress estimator	使用 DINOv2 patch features，从 start/current frame 和语言 token 估计任务进度标量。
Normalized timestep proxy	训练时用 demonstration 的归一化时间步作为 progress supervision。
Action-conditioned world model	给定当前视觉 latent 与候选动作，预测未来视觉 latent。
Classifier guidance	对 predicted future latent 的 progress 分数求梯度，用于 diffusion sampling 时修正 latent action。

伪代码

for denoise_step in diffusion_steps:
    a_latent = denoise(a_latent, obs, instruction)
    future_z = world_model(obs_z, a_latent)
    p = progress_estimator(start_img, future_z, instruction)
    grad = autograd.grad(p, a_latent)
    a_latent = a_latent + guidance_scale * grad

关键：它不是给 VLA 一个静态目标框，而是把“预计进度是否增加”变成动作采样过程的优化方向。

Benchmark 选择

Benchmark	内容	为什么适合
CALVIN ABC→D	长程连续五任务评测，常用 Avg.Len 和 5-in-row	进度估计最适合验证多阶段连续完成能力
LIBERO	Spatial/Object/Goal/Long 四 suite	验证空间关系、物体泛化、目标变化和长程任务
真实 ARX AC-One	真实机器人操作	检查 progress guidance 是否能迁移出仿真

CALVIN

方法	Avg.Len	5-in-row
ProgressVLA w/o cg	3.24	43.1
Pretrained ProgressVLA w/o cg	3.57	51.6
Pretrained ProgressVLA w/ cg	3.61	52.8
Pretrained + cg(pretrained evaluator)	3.68	56.4
Full	3.73	—

LIBERO

方法	Spatial	Object	Goal	Long	Avg
w/o cg	83.2	95.0	84.6	63.2	81.5
w/ cg	85.8	96.1	86.0	65.4	83.3
Full	88.2	96.4	87.2	66.2	84.5

对我们方案的直接影响

ProgressVLA 已经占据“progress-guided policy / progress gradient guidance”。如果我们的 RPF/CAPE 只说“估计任务进度并引导动作”，会撞车。

ProgressVLA	我们应差异化
单标量 progress p	对象中心、关系分解的 progress：target-object、target-region、relation、stage
world model 预测未来 latent 后对 p 求梯度	candidate-level rejection/reranking，可用于 VLA/DP/ACT，不一定要扩散梯度
normalized timestep supervision	结构化任务约束/反事实错误类型 supervision，而非时间步 proxy

自测

ProgressVLA 的 cg 是如何影响 action diffusion sampling 的？
为什么 normalized timestep 可以作为 progress proxy？有什么风险？
它与对象关系进展评分有什么区别？