Breaking the Vision-Action Shortcut: Latent Interface Training for Generalizable Robotics Foundation Models

• 类型：arxiv
• 标识：2609.12641
• 链接：https://arxiv.org/abs/2609.12641
• 主分类：engineering
• 形态：method
• 被引：3
• 被引来源：Semantic Scholar
• S2被引：3
• OpenAlex被引：0
• 影响力被引：0
• TLDR：Latent Interface Training (LIT), a framework-agnostic two-stage strategy that first establishes a spatial-goal-conditioned action prior without images, then constrains visual conditioning through a pose-supervised latent interface, improves overall LIBERO-Plus success while preserving or improving average LIBERO success.
• OpenAlex ID：W7213111075
• OpenAlex DOI：10.48550/arxiv.2609.12641
• DOI：10.48550/arxiv.2609.12641
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2609.12641
• OpenAlex更新：2026-09-16
• 副分类：multimodal
• 待LLM分类：否
• 标题中文：打破视觉-动作捷径：面向可泛化机器人基础模型的潜在接口训练
• TLDR中文：LIT（Latent Interface Training）是一个与框架无关的两阶段策略：先在无图像条件下建立空间目标条件化的动作先验，再通过姿态监督的潜在接口约束视觉条件化，可在保持或提升 LIBERO 平均成功率的同时改善 LIBERO-Plus 综合成功率。
• 来源文件：
• /inbox/tom/_candidates/2026-09-14-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]