同济大学空间智能团队最新力作 SC-VLA：用"稀疏世界想象"让 VLA 自我纠错，任务步数减 16%、成功率提 9%
论文原标题：
Self-Correcting VLA: Online Action Refinement via Sparse World Imagination
论文链接：
https://arxiv.org/abs/2602.21633
代码地址：
https://github.com/TJ-Spatial-Intelligence-Lab/SC-VLA
主要作者：
Chenyv Liu*, Wentao Tan*, Lei Zhu, Fengling Li, Jingjing Li, Guoli Yang
发表机构：
同济大学, 悉尼科技大学, 电子科技大学, 北京大数据先进技术研究院
SC-VLA结合了世界模型 (world model) 思想与强化学习策略优化，使机器人能够在执行过程中逐步调整行为，而不再完全依赖离线数据。
SC-VLA 的整体结构可以分为两个阶段： Sparse World Imagination (稀疏世界想象) 与 Online Action Refinement (在线动作修正)。
前者负责预测未来世界状态，后者基于这些预测对动作策略进行在线修正。
方案实现
整体流程
SC-VLA 基于 Flow Matching 框架构建，并在此基础上加入“稀疏世界想象”和“在线动作修正”两阶段设计。输入端首先融合多视角图像、语言指令和机器人本体状态，编码获得多模态条件表示。
随后，模型在 DiT 主干中不仅生成基础动作，还通过额外的 query 与中间层特征预测当前任务进度 (progress) 和未来短期状态变化 (Δstate)，形成稀疏的未来世界信号。在第二阶段，系统再引入基于 SAC 的残差动作优化模块，根据“预测未来”
和“真实执行结果”的一致性构造内生奖励，对基础动作进行在线微调，最终得到更稳健、更高效的机器人控制策略。
主要创新
提出 Sparse World Imagination 机制，在动作生成过程中同时预测 progress 和 Δstate，使策略能够显式建模短期物理演化。
利用 DiT 中间层特征而非最终输出层预测未来信号，将世界状态信息直接嵌入动作主干内部表示。
设计 Online Action Refinement 模块，通过“基础动作 + 残差修正”的方式实现在线策略优化。
构造基于“预测未来与真实执行的一致性”的内生稠密奖励，减少对人工奖励设计和外部奖励模型的依赖。
实验对比
ManiSkill仿真环境
ARX5真机环境
总结展望
SC-VLA 将“未来预测”与“在线修正”结合，引入内在反馈机制，使机器人能够在执行过程中持续优化策略，展现出从“模仿执行”迈向“自主适应”的潜力。
未来，该方向有望进一步扩展到更长时序规划、更复杂交互场景以及多任务泛化中，同时在模型效率与训练成本方面仍有进一步优化空间。