VLA 机器人模型解析：10 篇关键视觉 - 语言 - 动作论文

4) 可能的价值

• 学术价值：首次证明互联网数据能有效迁移到机器人控制，开创 VLA 范式
• 工业价值：降低机器人部署门槛，单一模型支持 700+ 任务，适用于仓储、家庭服务等场景
• 社会价值：推动通用机器人助手的实现，缓解劳动力短缺（全球预计超 5000 万人）

2. Open X-Embodiment: Robotic Learning Datasets and RT-X Models

发表机构：21 所机构联合（Google DeepMind 领导）
时间：2023 年 10 月
论文链接：arXiv:2310.08864

1) 要解决什么问题

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？

2) 解决思路与已有方法的不同

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（RT-1-X 和 RT-2-X）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

3) 创新点的直觉 & Why it helps

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 quirks。

为什么有效：

• 数据规模：100 万轨迹的规模让模型看到足够的任务 - 物体 - 场景组合
• 多样性红利：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
• 统一架构：证明 Transformer 架构足够灵活，能适应不同 embodiment

4) 可能的价值

• 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

1) 要解决什么问题

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？

2) 解决思路与已有方法的不同

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：

• 基于 Prismatic-7B VLM 进行微调
• 使用 Open X-Embodiment 数据集的 970k 轨迹
• 64 张 A100 GPU 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

3) 创新点的直觉 & Why it helps

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。

为什么有效：

• 双视觉编码器：DINOv2 的局部特征 + SigLIP 的全局语义 = 更 robust 的场景理解
• 动作离散化：将连续控制转化为 token 预测，复用 LLM 强大的序列建模能力
• 开源生态：社区可基于 OpenVLA 快速迭代，如 4-bit 量化、更强的 vision planning

4) 可能的价值

• 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

1) 要解决什么问题

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？

2) 解决思路与已有方法的不同

核心创新：将3D 点云表示与**扩散策略（Diffusion Policy）**结合。

技术实现：

• 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
• DP3：显式建模 3D 几何，泛化到新视角、新物体摆放

3) 创新点的直觉 & Why it helps

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"。

为什么有效：

• 几何不变性：3D 点云表示对旋转、平移具有天然不变性
• 遮挡鲁棒：稀疏点云仍保留关键几何信息，不像 2D 图像完全丢失被遮挡部分
• 扩散模型优势：多模态动作分布（一个场景可能有多种合理抓取方式）

实验结果：

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

4) 可能的价值

• 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

1) 要解决什么问题

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？

2) 解决思路与已有方法的不同

核心设计：Transformer-based 扩散策略 + 模块化注意力机制。

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

训练数据：Open X-Embodiment 数据集的 800k episodes

3) 创新点的直觉 & Why it helps

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。

为什么有效：

• 模块化注意力：不同模态（vision, language, proprioception）通过独立注意力头处理，再融合
• 高效微调：新机器人只需微调 action decoder 和部分 transformer 层，无需从头训练
• 扩散策略：连续动作空间建模，适合精细操作

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

4) 可能的价值

• 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

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

1) 要解决什么问题

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？

2) 解决思路与已有方法的不同

核心架构：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：

• 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）

3) 创新点的直觉 & Why it helps

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。

为什么有效：

• 解耦思考与执行：慢速 VLM 专注高层推理，快速 diffusion 专注低层控制，各司其职
• 实时性：System 1 以 7Hz 生成动作块，配合底层控制器实现平滑执行
• 全身协调：首个支持整个上半身连续控制的 VLA（手腕姿态 + 手指位置）

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）

4) 可能的价值

• 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

1) 要解决什么问题

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？

2) 解决思路与已有方法的不同

核心方法：自动化重建管道

步骤：

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

与已有方法的差异：

• 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

3) 创新点的直觉 & Why it helps

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。

为什么有效：

• 零样本预测：预训练模型在未见人手动作上展现更强预测能力
• 微调效率：仅 1000 条机器人数据，成功率从 30-40% 提升至 70%+
• 泛化能力：面对训练中未见物体（新型保温杯、异形玩具），仍保持~70% 成功率

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%+

4) 可能的价值

• 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

1) 要解决什么问题

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？

2) 解决思路与已有方法的不同

核心策略：异构数据联合训练（Co-training on Heterogeneous Data）

数据来源：

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：

• 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）
• 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

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

3) 创新点的直觉 & Why it helps

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 memorization。

为什么有效：

• 语义理解：网络数据提供"哪些物体该放哪"的常识
• 任务结构：语言指导演示教会模型任务的高层结构（如整理床铺的步骤）
• 物理行为迁移：简单机器人的操作技能可迁移到复杂移动平台

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。

4) 可能的价值

• 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

1) 要解决什么问题

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？

2) 解决思路与已有方法的不同

核心创新：Chain-of-Affordance（CoA）框架

设计思想：

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 baseline 的差异：

• 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"

3) 创新点的直觉 & Why it helps

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。

为什么有效：

• 精确性：空间 grounding 提高定位准确度
• 鲁棒性：碰撞检测避免失败操作
• 泛化性：识别未见物体姿态、新环境自由空间

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

4) 可能的价值

• 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

1) 要解决什么问题

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？

2) 解决思路与已有方法的不同

核心架构：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：

• 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）

3) 创新点的直觉 & Why it helps

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。

为什么有效：

• 物理理解增强：世界模型提供环境动力学知识，动作模型生成更合理的动作
• 双向促进：
  • 世界模型→动作模型：物理知识提升抓取成功率 4%
  • 动作模型→世界模型：行为理解降低 FVD 指标 10%
• Action Chunking：保持推理速度，多帧历史输入提升性能

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

4) 可能的价值

• 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。

相关术语：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

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