面向分块VLA模型的时频几何交叉注意力

视觉-语言-动作（VLA）策略通常一次前向预测整段动作，但动作块作为多变量轨迹，其频率结构与跨相位几何关系未被现有token表示充分建模。论文提出TFGCA模块，用可学习平稳小波变换分解动作块为时频token，并以融合点积与楔积幅值的交叉注意力检索信息。该模块可即插即用微调，在LIBERO、LIBERO-Plus、RoboTwin及真实机器人AgiBot A2任务上均取得提升，分布外增益更大。