VLA 机器人革命：10 篇关键视觉 - 语言 - 动作模型论文解析

核心贡献 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 系列模型实现跨 embodiment 的正迁移。

技术创新

• 统一数据格式：采用 RLDS 格式，支持不同动作空间、多模态输入（RGB、深度、点云）。
• 动作空间标准化：将不同机器人的动作统一映射到 7 维 end-effector 控制（位置 delta、旋转、夹爪）+ 256 bins 离散化。
• 混合训练：RT-2-X 在机器人数据和原始 VLM 数据上 1:1 比例联合训练。

为什么有效 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。100 万轨迹的规模让模型看到足够的任务 - 物体 - 场景组合，且在 A 机器人上学到的'抓取'知识能迁移到 B 机器人，提升样本效率。

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

核心架构 针对 RT-2 等模型闭源且参数量巨大的问题，OpenVLA 构建了一个开源、高效、性能 SOTA 的 VLA 模型。

• 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 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

• 参数效率：7B 参数量 vs RT-2-X 的 55B，推理速度快 7 倍。
• 性能超越：在 29 个任务上成功率比 RT-2-X 高 16.5%（绝对值）。
• 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。双视觉编码器结合局部特征与全局语义，使得场景理解更 robust。

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

核心挑战 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？

解决思路 将3D 点云表示与**扩散策略（Diffusion Policy）**结合。

• 输入：稀疏采样的单视角点云（非密集点云，计算高效）。
• 编码器：轻量级 Point Transformer 提取 3D 特征。
• 动作生成：扩散模型以 3D 表示为条件，迭代去噪生成动作序列。

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

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 个演示下成功率达 85%，且能泛化到新视角和新物体实例。

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

核心设计 Transformer-based 扩散策略 + 模块化注意力机制。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时需要重新训练。Octo 旨在设计一个模块化、易于微调的泛化机器人策略。

架构特点

• 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。

两个版本

• Octo-Small：27M 参数，快速推理。
• Octo-Base：93M 参数，更强性能。

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。

Part II: 五篇热度最高的前沿论文

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

核心挑战 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？

解决思路 采用双系统设计（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。

训练数据混合 第一视角人类视频、真实机器人轨迹、GPU 加速仿真数据以及 Latent Action Training（从无标注视频学习）。

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）。

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

核心挑战 机器人训练数据稀缺且昂贵，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？

解决思路 自动化重建管道。

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。

为什么有效 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。预训练模型在未见人手动作上展现更强预测能力，仅 1000 条机器人数据，成功率从 30-40% 提升至 70%+。

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

核心挑战 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'？

解决思路 异构数据联合训练（Co-training on Heterogeneous Data）。

数据来源 多样环境（100+ 不同家庭/办公室）、多模态网络数据、多 embodiment 数据、语言指导演示。

架构设计 基于π0 VLA（5B 参数 VLM + action expert），支持高层语义推理和低层运动控制。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。

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。

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

核心挑战 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'。

解决思路 Chain-of-Affordance（CoA）框架。

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和文本可供性，通过 vision-language co-injection 模块注入策略网络。

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。

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

核心挑战 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？

解决思路 统一动作模型和世界模型。

• 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。
• 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 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）。

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。

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。

推荐阅读顺序：RT-2 → Open X-Embodiment → OpenVLA → 3D Diffusion Policy → Octo → GR00T N1 → VITRA → π0.5 → CoA-VLA → WorldVLA