深度分析
AttenA+：以速度導向權重強化 VLA/WAM 基礎模型的末端精密控制
機器人基礎模型長期以均等權重訓練動作，導致對決定性慢速段落學習不足。AttenA+以末端速度做反向加權，將訓練重心下放至低速、精密動作，並以多種速度權重策略驗證效果。實驗在Libero與RoboTwin上顯示成功率提升，且於Franka實機驗證出更佳穩健性。
深度分析
機器人基礎模型長期以均等權重訓練動作，導致對決定性慢速段落學習不足。AttenA+以末端速度做反向加權，將訓練重心下放至低速、精密動作，並以多種速度權重策略驗證效果。實驗在Libero與RoboTwin上顯示成功率提升，且於Franka實機驗證出更佳穩健性。
深度分析
機器人基礎模型常把每一步當一樣重要，忽略動作在物理層的差異。AttenA+用末端速度反向加權，優先學習慢速高精度階段，能在Libero與RoboTwin基準顯著提升成功率並改善最後一公分精準度。此方法為可插拔優化項，不改動模型結構，並在Franka機械手臂實驗中驗證了跨任務的一致增益。