VLA 机器人革命：解析 10 篇关键视觉 - 语言 - 动作模型论文

背景与挑战 不同机器人平台（单臂、双臂、四足等）的数据格式各异、无法共享，导致每个新机器人都需要从零开始训练。如何打破'数据孤岛'，让一个模型能控制多种机器人形态？

核心方案 构建了Open X-Embodiment 数据集，包含来自 22 种机器人形态的 100 万 + 真实轨迹、527 种技能、160,266 个任务，并提出RT-X 系列模型（RT-1-X 和 RT-2-X）实现跨 embodiment 的正迁移。

技术创新包括采用 RLDS 格式统一数据格式，支持不同动作空间和多模态输入；将不同机器人的动作统一映射到 7 维 end-effector 控制 + 256 bins 离散化；RT-2-X 在机器人数据和原始 VLM 数据上 1:1 比例联合训练。

设计直觉 就像人类驾驶不同品牌的汽车时，核心的'转向 - 加速 - 刹车'逻辑是通用的，只是操作界面略有差异。RT-X 通过标准化动作空间，让模型学习任务的本质而非特定硬件的差异。

应用价值

• 学术价值：确立了机器人基础模型的数据集标准，催生 OpenVLA 等后续工作。
• 工业价值：降低新机器人平台的训练成本，支持快速定制化部署。
• 开放生态：22 机构合作模式推动社区数据共享，加速领域整体进步。

3. OpenVLA: An Open-Source Vision-Language-Action Model

发表机构：斯坦福大学、UC Berkeley、Physical Intelligence
时间：2024 年 6 月
论文链接：arXiv:2406.09246

背景与挑战 RT-2 等模型虽强大但闭源且参数量巨大（55B），限制了学术界和初创公司的使用。如何构建一个开源、高效、性能 SOTA的 VLA 模型，让更多人能在此基础上创新？

核心架构

• Vision Encoder：融合 DINOv2（自监督学习的丰富特征）+ SigLIP（语言对齐的语义特征）
• Language Model：Llama 2 7B 作为 backbone
• Action Decoder：将动作离散化为 256 bins，视为 text token 预测问题

训练策略上，基于 Prismatic-7B VLM 进行微调，使用 Open X-Embodiment 数据集的 970k 轨迹，在 64 张 A100 GPU 上训练 15 天。

与闭源模型的差异在于参数效率更高（7B vs 55B），推理速度快 7 倍；且在 29 个任务上成功率比 RT-2-X 高 16.5%（绝对值）。此外支持 LoRA 微调，仅需调整 1.4% 参数即可适配新任务，支持消费级 GPU。

设计直觉 不是'越大越好'，而是'精准融合'。DINOv2 捕捉物体的视觉细节，SigLIP 理解语义意图，Llama 2 整合推理能力——三者协同优于单纯堆参数。

应用价值

• 学术价值：开源权重（permissive license）加速研究，成为 VLA 领域的'BERT 时刻'。
• 教育价值：7B 规模让学生和小团队也能实验 VLA，降低入门门槛。
• 商业价值：初创公司可基于 OpenVLA 快速构建垂直领域机器人（如餐饮、物流）。

4. 3D Diffusion Policy (DP3)

发表机构：MIT、清华大学、上海交通大学
时间：2023 年 12 月
论文链接：CoRL 2025

背景与挑战 2D 图像缺乏深度信息，导致机器人难以理解空间关系（物体遮挡、相对位置等），且对相机视角变化敏感。如何让策略模型具备3D 空间推理能力，同时保持高样本效率？

核心方案 将3D 点云表示与**扩散策略（Diffusion Policy）**结合。

技术实现上，输入为稀疏采样的单视角点云（非密集点云，计算高效）；编码器采用轻量级 Point Transformer 提取 3D 特征；动作生成由扩散模型以 3D 表示为条件，迭代去噪生成动作序列。

与 2D CNN/ViT 相比，后者只能隐式推断深度，易受视角、光照影响；DP3 显式建模 3D 几何，泛化到新视角、新物体摆放。

设计直觉 人类看到桌上的杯子时，大脑自动构建 3D 心理模型——即使换个角度看，仍知道杯子在哪、如何抓取。DP3 让机器人也拥有这种 3D'心智地图'。

实验结果 在 72 个仿真任务中，仅用 10 个演示，成功率比 baseline 高 24.2%；在 4 个真实任务中，40 个演示，成功率 85%，泛化到新视角、新物体实例。

应用价值

• 学术价值：证明 3D 表示对机器人策略的关键性，影响后续 SpatialVLA 等工作。
• 工业价值：适用于仓储拣选、装配等需要精准空间定位的场景。
• 技术价值：点云编码 + 扩散模型的组合成为新范式。

5. Octo: An Open-Source Generalist Robot Policy

发表机构：UC Berkeley、CMU、Google DeepMind
时间：2024 年 1 月
论文链接：Octo Models

背景与挑战 现有 VLA 模型往往针对特定机器人硬件设计，迁移到新传感器配置（如增加一个相机、换灵巧手）时需要重新训练。如何设计一个模块化、易于微调的泛化机器人策略？

核心方案 Transformer-based 扩散策略 + 模块化注意力机制。

架构特点包括灵活输入（支持语言指令或目标图像、观察历史、多相机）、扩散解码（生成连续动作分布而非离散化）、模块化微调（针对新传感器/动作空间，只需调整对应模块）。

提供两个版本：Octo-Small（27M 参数，快速推理）和 Octo-Base（93M 参数，更强性能）。训练数据来自 Open X-Embodiment 数据集的 800k episodes。

设计直觉 像搭积木一样构建机器人策略——视觉模块、语言模块、动作模块可以独立替换或升级，而不影响整体框架。

适用场景

• 研究者快速测试新硬件配置。
• 工业界从 Octo-Small 原型快速迭代到 Octo-Base 生产版本。

应用价值

• 学术价值：提供灵活的研究平台，降低实验成本。
• 工程价值：模块化设计成为后续 VLA 架构的设计参考。
• 开源贡献：GitHub 代码和预训练权重推动社区快速复现和改进。

二、前沿探索：五篇最新突破论文

这些论文代表了 2024-2026 年 VLA 领域的最新突破，引领未来发展方向。

6. NVIDIA Isaac GR00T N1: Open Foundation Model for Humanoid Robots

发表机构：NVIDIA
时间：2025 年 3 月
论文链接：NVIDIA Research

背景与挑战 人形机器人需要全身协调控制（躯干、双臂、手腕、手指），传统 VLA 难以处理如此高维的动作空间，且推理速度不足以支持实时控制。如何构建快速、灵巧、全身控制的人形机器人基础模型？

核心方案 双系统设计（System 1 + System 2）。

• System 2（慢思考）：基于 NVIDIA-Eagle + SmolLM-1.7B 的 VLM，处理视觉和语言，生成高层规划（latent cognitive representations），理解'整理房间'这类抽象任务，分解为子目标。
• System 1（快反应）：Diffusion Transformer 动作模型，接收 System 2 的 latent vector，生成高频连续控制指令，控制上半身所有关节（肩膀、手肘、手腕、手指）。

训练数据混合包括第一视角人类视频（学习人机交互逻辑）、真实机器人轨迹（弥合 sim-to-real gap）、GPU 加速仿真数据（提供无限数据）、Latent Action Training（从无标注视频学习）。

设计直觉 人类行为也是'双系统'——System 2 负责思考'我要做什么'，System 1 负责执行'手怎么动'。GR00T N1 模仿这种认知架构。

真实案例 1X 人形机器人在陌生家庭自主整理房间（GTC 2025 演示）。

应用价值

• 工业价值：应对全球 5000 万 + 劳动力短缺，适用于物料搬运、包装、检查。
• 开源影响：开放权重（permissive license）加速全球人形机器人研发。
• 社会价值：推动人形机器人从科幻走向现实，1X CEO 称其为'伴侣而非工具'。

7. VITRA: Scalable VLA Pretraining with Human Videos

发表机构：微软亚洲研究院
时间：2026 年 1 月
论文链接：Microsoft Research

背景与挑战 机器人训练数据稀缺且昂贵（需要遥操作设备、标注动作参数），而互联网上有海量人类操作视频。如何将非结构化的人类视频转化为机器人可用的训练数据？

核心方案 自动化重建管道。

步骤包括：1. 3D 手部运动重建，从人类视频中提取第一视角手部轨迹；2. VLA 格式转换，将人手动作映射到与机器人数据一致的结构化格式；3. 预训练 VLA，在大规模人类视频上预训练（100 万 +episodes）；4. 少样本微调，仅用 1000+ 机器人遥操数据即可迁移到真实任务。

与传统方法相比，传统方法仅用机器人演示数据，规模受限于硬件和人力；VITRA 利用无限的人类视频资源，实现可扩展的预训练。

设计直觉 人类视频就像'教科书'——虽然手和机械手构造不同，但'抓杯子把手'、'倒水'这些操作逻辑是通用的。VITRA 让机器人通过观看人类视频学习这些逻辑。

实验任务

• 随机位置抓取放置：成功率>80%
• 功能抓取（抓杯子把手）：70%+
• 倒水、扫地：70%+

应用价值

• 学术价值：开创 VLA 预训练新范式，证明人类视频的巨大潜力。
• 数据价值：互联网视频成为'取之不尽'的训练资源。
• 商业价值：大幅降低机器人训练成本，加速产品化进程。

8. Physical Intelligence π0.5: VLA with Open-World Generalization

发表机构：Physical Intelligence
时间：2025 年 4 月
论文链接：Physical Intelligence Blog

背景与挑战 现有 VLA 模型在训练环境内表现优异，但面对完全陌生的新家庭/新场景时失效。如何让机器人具备真正的'开放世界泛化能力'——在从未见过的环境中也能执行复杂任务？

核心方案 异构数据联合训练（Co-training on Heterogeneous Data）。

数据来源包括：1. 多样环境（100+ 不同家庭/办公室环境的移动操作数据）；2. 多模态网络数据（问答、图像描述、物体检测）；3. 多 embodiment 数据（单臂机器人、无移动底座机器人的数据）；4. 语言指导演示（人类通过自然语言逐步指导机器人完成任务）。

架构设计上，基于π0 VLA（5B 参数 VLM + action expert），支持高层语义推理（下一步做什么）和低层运动控制（关节指令），采用Chain-of-Thought 式推理：模型先输出高层文本动作（'pick up the pillow'），再生成低层连续动作。

解码方式采用离散解码 + 连续 Flow Matching：离散 pathway 推断高层动作，连续 pathway 生成 50-step (1 秒) 动作 chunk。

设计直觉 就像人类进入陌生房间时，会调用已有的'整理经验'（知道枕头放床上、杯子放厨房），而不需要在每个房间都学一遍。π0.5 通过在多样环境训练，学到任务的本质而非特定环境的记忆。

缩放研究 在 100 个训练环境后，模型在新环境的性能接近'在测试环境直接训练'的 baseline——证明泛化能力已接近上限。

应用价值

• 学术价值：首次系统性证明 VLA 的开放世界泛化能力。
• 产品价值：支持'即买即用'的家庭服务机器人，无需针对每个家庭定制训练。
• 未来方向：模型可从自主经验改进、在陌生情况主动寻求帮助。

9. CoA-VLA: Chain-of-Affordance for Better Reasoning

发表机构：ICCV 2025
时间：2025 年
论文链接：ICCV 2025 Paper

背景与挑战 VLA 模型虽能执行语言指令，但缺乏可供性推理（affordance reasoning）——不理解'哪里可以放物体'、'如何避开障碍'。如何让 VLA 具备类似人类的空间推理能力？

核心方案 Chain-of-Affordance（CoA）框架。

设计思想包括：1. 语义识别，从自由文本指令中解析物体名称；2. 空间定位，预测物体的 2D 位置（grounding）；3. 可供性推理，推断无碰撞路径、可放置区域；4. 双模态注入，将可供性知识转化为视觉可供性（图像标注）和文本可供性（语言描述），通过 vision-language co-injection 模块注入策略网络。

与 Vanilla VLA 相比，Vanilla VLA 直接从图像 + 指令生成动作，易碰撞、定位不准；CoA-VLA 显式建模空间约束，生成动作前先推理'哪里安全'。

设计直觉 人类执行'把杯子放桌上'时，会自动排除'边缘易掉落'、'已有物体占据'的位置，选择'平坦、空闲'的区域。CoA-VLA 让机器人也进行这种推理。

实验结果 超越 OpenVLA 成功率 30.65%（绝对值）；模型参数更小、预训练数据更少，但性能更优。

应用价值

• 学术价值：将推理（reasoning）引入 VLA，启发后续工作。
• 安全价值：降低机器人碰撞风险，适用于人机协作场景。
• 工业价值：提高抓取成功率，减少生产线故障。

10. WorldVLA: Autoregressive Action-World Model

发表机构：清华大学、上海交通大学
时间：2025 年 6 月
论文链接：Literature Review

背景与挑战 传统 VLA 只预测动作，不理解'物理规律'——不知道'推物体会移动'、'倒水杯子会满'。如何让 VLA 具备物理世界建模能力，生成更符合物理直觉的动作？

核心方案 统一动作模型和世界模型。

两个组件：

1. World Model（世界模型）：预测未来图像（conditioned on 当前观察 + 动作），学习环境物理规律。
2. Action Model（动作模型）：生成动作（conditioned on 视觉观察 + 语言指令），利用世界模型的物理理解辅助视觉理解。

训练策略上，联合优化（同时训练视频预测和动作预测），自回归框架（动作和图像 token 交错生成），Autoregressive Action Chunking（通过特殊 attention mask，每个动作仅基于视觉输入，减少歧义）。

设计直觉 人类学习新技能时，会在脑海中'预演'——想象'如果我这么做，会发生什么'。WorldVLA 让机器人也拥有这种'心理模拟'能力。

实验发现 有动作条件的世界模型优于纯视频预测模型（减少歧义）；使用 2 帧历史输入比单帧好。

应用价值

• 学术价值：将 world model 引入 VLA，开辟新研究方向。
• 仿真价值：世界模型可用于策略训练的'梦境演练'（类似 DreamerV3）。
• 长期规划：理解物理规律支持多步任务推理。

总结与未来展望

技术演进脉络

• 第一代（RT-1）：从机器人数据学习，任务特定
• 第二代（RT-2, RT-X）：融合互联网数据，跨 embodiment 泛化
• 第三代（OpenVLA, Octo）：开源基础模型，模块化设计
• 第四代（GR00T, π0.5）：双系统架构，开放世界泛化
• 未来方向（WorldVLA, CoA-VLA）：物理推理、可供性理解

核心挑战

1. 数据问题：真实机器人数据昂贵（VITRA 用人类视频缓解）
2. Sim-to-Real Gap：仿真数据难以完全迁移（GR00T 混合真实 + 仿真数据）
3. 实时性：高维动作空间推理速度慢（GR00T 双系统、WorldVLA action chunking）
4. 安全性：开放环境中的碰撞风险（CoA-VLA 可供性推理）
5. 长期规划：复杂任务需要多步推理（π0.5 的 chain-of-thought）

未来方向

• 更大规模预训练：利用全网视频（人类、动物、仿真）
• 自主学习：从失败经验中改进，减少人类监督
• 多模态感知：融合触觉（VTLA）、听觉（VLAS）
• 可解释性：理解 VLA 的推理过程，提高可信度
• 边缘部署：压缩模型至消费级硬件（4-bit 量化）

结语

VLA 模型正将机器人从'工具'转变为'智能体'。从 Google DeepMind 的 RT-2 奠基，到 NVIDIA GR00T N1 的人形机器人突破，再到微软 VITRA 的预训练新范式——这场革命才刚刚开始。

当机器人能像人类一样理解世界、推理任务、执行操作时，真正的通用机器人助手将不再是科幻。这 10 篇论文，正是通向未来的路标。

关键词：Vision-Language-Action, VLA 模型，机器人操作，具身智能，基础模型，多模态学习，迁移学习，人形机器人

建议阅读路径：RT-2 → Open X-Embodiment → OpenVLA → 3D Diffusion Policy → Octo → GR00T N1 → VITRA → π0.5 → CoA-VLA → WorldVLA