现代视觉‑语言‑动作（VLA）策略在一次前向传播中预测整个动作块，时长约一到两秒。动作块本质上是一段多变量轨迹，但在现有模型中，它被视为逐帧的隐藏 token 序列，由线性头解码。这种设计忽视了两类运动结构。第一是频率维度：动作块同时包含平滑的全局趋势和细粒度的校正运动，跨越不同时间尺度，而单一 token 将两者纠缠在一起。第二是跨相位几何：不同相位（如伸手、接触、抓取微调、稳固）在表征空间中沿近乎正交的方向展开，却在任务层面紧密关联，并沿时间轴出现。点积注意力通过内积衡量相似度，倾向于对齐的 token，对近正交的关系不敏感，导致网络需要额外路径来恢复这些信息。为此我们提出时频几何交叉注意力（TFGCA），它可以直接插入现有 VLA。TFGCA 为每个维度学习一个平稳小波变换，将动作块分解为时频 token；随后每个时间 token 通过交叉注意力从这些时频 token 中检索信息。交叉注意力同时融合点积相似度和楔积幅值（对近正交敏感），两者的加权系数由可学习参数决定。一个零初始化的残差分支在初始化时复制基线行为，使得 TFGCA 能够直接加到预训练 VLA 上并联合微调。实验表明，相比同源基线模型，TFGCA 在内部分布的 LIBERO 基准上平均提升 1.5 分，OOD LIBERO‑Plus 上提升 6.3 分，在 RoboTwin 随机化环境下的随机平均提升 28.5 分，三项真实机器人 AgiBot A2 任务的整体成功率提升 11.67 点，尤其在分布外表现更为显著。
点评