先学会移动，再学会做事：面向视觉语言动作模型的任务无关预训练

论文提出任务无关预训练（TAP），将机器人学习拆为物理运动能力与语言语义对齐两阶段。TAP先利用未标注交互数据和自监督逆动力学学习可迁移运动先验，再用少量专家数据进行语言 grounding。在SIMPLER上匹配超过100万条专家轨迹训练的模型，并较标准行为克隆提升10个百分点；WidowX实机在相机扰动下成功率为25%，而互联网规模基线降至0%。