Daily Report — 2026-05-23
Daily Overview
- 已完成工作： 分析了高相关性的研究论文，旨在确定用于精确机器人控制的多模态感知融合前沿技术，以及用于嵌入式系统的极端模型压缩技术。
- 实施方式： 利用自动化搜索工具对每个主题筛选了 50+ 篇论文，对关键研究（如 SO-TA, FTerViT, AVP）进行了深入的架构分析，并通过与 AI assistant 的迭代 prompting 合成了新的研究方向。
- 影响： 确立了三个具体的未来研究轨迹：用于精密操作的基于 hybrid OT 的感知融合、用于 MCU 部署的分层极端量化 (ternary)、以及延迟自适应的 post-training 框架，直接指导了即时的实验实施。
对 Vision-Language-Action (VLA) 模型进行了全面的文献综述和战略规划，重点关注精密操作（毫米级精度）和轻量化 edge 部署策略。
Tasks
Architecture & Strategy
- ✅ VLA Precision Manipulation Research — 筛选了 50 篇关于 sub-millimeter VLA 控制的论文；确定 Spacetime Optimal Transport (SO-TA) 和 geometric safety manifolds 为核心方法论。
- ✅ Lightweight VLA Edge Deployment Research — 分析了包括 Full Ternary Transformers (FTerViT) 和 modular decoupled architectures (AVP) 在内的压缩技术；通过优化的关键词策略解决了初始搜索中的噪声问题。
- ✅ Strategic Roadmap Synthesis — 整合了两个领域的发现，提出了利用 visual primitives 和 deferred feedback 的 hybrid cloud-edge 架构，并进行了可行性评估。
Problems & Solutions
General Issues
1. 当模型在响应复杂 prompts 时生成格式错误或截断的 JSON 结构时，发生了 AI JSON parsing failures。
解决方案： 用户提供了明确的修复指令；AI 修正了结构。随后，简化了 prompts 以确保稳定的输出格式。
核心洞察： 复杂的 prompt engineering 需要对输出 schema 进行迭代验证，以防止静默生成错误。
2. 由于使用了 ‘compression’ 和 ‘distillation’ 等宽泛的关键词，初始针对 lightweight VLA 论文的搜索返回了许多无关的通用图像压缩结果。
解决方案： 使用特定的机器人术语（‘visuomotor policy’, ‘action chunking’, ‘TinyVLA’）优化了搜索查询，并利用针对性的脚本过滤了相关的 arXiv 分类。
核心洞察： 领域特定的关键词过滤对于检索相关性至关；通用的 ML 术语往往会检索到无关的 computer vision 结果。
3. Semantic Scholar API rate limits 导致第二次 lightweight VLA 搜索批次出现延迟和失败。
解决方案： 实施了指数退避等待周期（5s, 10s, … 60s），并直接监控任务输出文件，而不是仅仅依赖即时返回。
核心洞察： 自动化研究 agents 对于外部 API 依赖需要具备鲁棒的错误处理和 timeout 策略。
Human vs AI Approaches
Strategic Level
Cross-Domain Insight Synthesis (Precision + Lightness)
| Role | Approach |
|---|---|
| Human | N/A |
| AI | AI 分别列出了单篇论文的见解，但最初提出了独立的研发方向。只有在人类明确指导将其两个领域结合后，它才成功阐述了 hybrid 架构。 |
差异分析： Human 通过将零散的研究线索连接成一个凝聚的系统设计，展示了更高阶的战略综合能力；而 AI 则擅长对单个组件进行细粒度的分析和总结。
Implementation Level
Search Parameter Refinement Strategy
| Role | Approach |
|---|---|
| Human | N/A |
| AI | AI 尝试处理宽泛的参数，但在缺乏明确领域约束的情况下难以进行相关性过滤，导致最初的结果质量参差不齐。 |
差异分析： 在这种特定的工程语境下，Human 对搜索语义的直觉优于 AI 的自动关键词生成。
AI Limitations
General Limitations
- 在某些交互中，AI 在处理大量论文评估时生成了截断的 JSON 输出，需要用户提供明确的修复指令。
- 由于 rate limits，AI 在检索和解析 Semantic Scholar 的引用时遇到困难，导致了显著的延迟，且在引入人工监控之前没有清晰的进度指示。
Learnings
Key Learnings
- Full ternary quantization (FTerViT) 表明极端压缩在 MCU 上是可行的；这表明 VLA visual encoders 的目标应该是激进的 binarization/ternarization，而不是标准的 post-training quantization。
- Latency robustness (DEFLECT) 是一个不同于模型大小的挑战；edge 设备上的压缩模型仍会因为 inference latency 而失败，因此需要特定的 post-training alignment 来应对分布延迟。
- 将 perception (VLM) 与 action policy (Motor Head) 解耦允许进行独立优化；这种模块化是将在轻量化 VLA 系统部署到资源受限硬件上的关键。
Conversation Summaries
VLA Precision Manipulation Research
✅ Literature Search and Screening for Millimeter-Level VLA Control 22:09:26.500 | claude_code User 发起了一项针对专注于 precision manipulation 和 millimeter-level accuracy 的 VLA 论文搜索。AI 分析了 50 篇高分论文，将 SO-TA (Spatio-temporal Optimal Transport) 和 geometric safety manifolds (SafePBDS) 列为首选推荐。深度分析强调了 haptic-feedback fusion 和 contact-based self-calibration 的重要性。
Lightweight VLA for Robot Control
✅ Search Query Extraction and Paper Screening for Lightweight Edge VLA 22:18:59.781 | claude_code User 请求了 ‘Lightweight VLA’ 和 ‘EfficientVLA’ 的搜索参数。AI 提取了关键词和来源 (arxiv.cs.Ro/LG)。随后对 50 篇论文的筛选确定了 FTerViT (ternary transformers) 和 DEFLECT (delay-robust policies) 为关键技术。User 通过细化关键词以针对特定的架构变化，修正了搜索噪声。
Strategic VLA Research Planning
✅ Synthesis of Precision and Lightweight VLA Directions 22:47:36.934 | claude_code User 要求对高相关性论文进行深度分析并生成新的研究方向。AI 提供了关于 cross-paradigm distillation (CrossVLA) 和 visual-advantage metrics 的详细亮点。基于此，User 提出了一个 hybrid Cloud-Edge 架构，AI 将其形式化为具体的可行性评估。