技术方向
与机器人感知、决策和物理交互直接相关的VLA进展
122 条精选近 30 天 119 条共收录 172 条
REACT 是一个从人人演示中学习可部署人形机器人交互策略的框架，把语义接触结构作为连接演示处理、交互学习与机载控制的监督信号。其中 VLM 引导的接触建模与重定向流程识别人人交互中的语义接触并迁移到人形机器人几何上，特权交互策略借助接触奖励学习行为后，被蒸馏为仅用机载传感的自我中心深度策略，并引入生成式伙伴状态建模以应对遮挡。
推荐理由：论文给出从人到人形机器人接触迁移并蒸馏为机载深度策略的完整流程，附仿真与Unitree G1实机结果。
CLOSER提出证据感知的主动验证框架，把物体目标导航中的停止决策当作闭环证据采集，将视觉语言模型验证与主动感知结合。该框架微调开源VLM，把候选目标在各帧的视图标注为目标、非目标或不确定，用基于嵌入的多样性门控挑选互补视图，再由轻量网络融合各视图概率；若融合判断仍不确定，扩散策略仅依据跟踪掩码和深度驱动智能体靠近候选目标，直到判断明确。
推荐理由：论文把停止决策改写为闭环证据采集，用VLM多视角验证加扩散策略主动靠近，为ObjectNav误检问题提供可迁移方法。
研究提出 GPT-as-Tactile-Policy，将专家演示总结为任务指引和触觉参考，由 GPT-6-Astra 结合多模态观测与交互历史生成控制指令，无需额外机器人专用预训练或逐任务策略微调。在五项 UniVTAC 任务上平均成功率为 93.8%，Insert Hole 任务中触觉反馈将成功率从 31% 提升到 99%。执行分析显示模型能依据接触反馈进行试探与纠正。
推荐理由：论文用接触丰富操作任务检验通用多模态模型能否借触觉反馈调整动作，并给出与专用策略的对比结果。
论文提出TaskWAM，一个闭环、阶段感知的世界-动作模型框架，用Mode Tokens表示细粒度任务要求、用State Tokens跟踪执行进度，以缓解长程操作中局部合理但方向错误的推演导致的阶段混淆。
推荐理由：论文提出阶段混淆问题并给出TaskWAM与StageBench，可用于比较世界-动作模型的长程任务控制方法。
论文系统评测了 GPT-6 Astra 在轻量智能体执行框架下的闭环机器人操作能力，在 RoboDojo 上成功率为 26.92%，在 RoboTwin 2.0 上为 76.0%。
推荐理由：论文用五个基准和新增几何约束基准系统评测 GPT-6 Astra 的闭环操作能力，并指出语义推理与物理执行之间的差距。
研究指出，推理增强的驾驶 VLA 能感知并推理安全关键危险，却未能把危险信息转化为安全动作，作者将这一现象称为感知-动作绑定缺口。基于匹配的仿真反事实和驾驶日志回放，研究发现路径内危险确实被编码进视觉表征，但纵向规划主要由自车速度历史主导，对危险距离和模型自身推理轨迹响应很弱。
推荐理由：论文用匹配仿真反事实与实车日志回放，把驾驶 VLA 的危险感知与制动控制分开诊断，并给出不改权重的生成时引导方案。
作者提出生成式计划隐变量（GPL），把VLA的推理状态表示为对计划（如选哪个物体、抓取或路线）的低维条件分布，使计划可采样、可按请求选择、可按部署结果重加权，且无需重新训练VLA。
推荐理由：论文把VLA的推理状态建模为可采样的计划分布，并在仿真操作任务上对比了计划引导与动作分布引导的差异。
作者提出两阶段框架 CPR，从多视角视频片段学习互补的预测几何表征用于具身操作。预训练阶段用冻结的 3D 基础模型提供稠密几何特征，压缩为预测几何表征并保留场景结构及其时序演化，再对几何转移施加动作监督提取运动表征；下游后训练通过几何查询迁移预测几何，运动表征引导动作生成路径上的中间特征。
推荐理由：论文提出两阶段框架，从多视角视频学习互补预测几何表征，并在 LIBERO、SimplerEnv 与实机任务上对比下游策略表现。
DirectWAM 通过动作充分蒸馏把预训练视频与动作专家转为单步预测器，在 LIBERO 四个套件平均成功率 97.1%、RoboTwin 2.0 上 85.4%，推理延迟较完整迭代教师降低 28.0 倍。
推荐理由：论文分析世界-动作模型中视觉预测误差对动作的影响，提出单步蒸馏方法，并给出仿真基准与实机任务结果。
PACT-VLA 提出一种免训练框架，用推理起始观测生成候选动作块，再用提交前观测从中选出完整动作块，以缓解异步推理延迟导致的成功率下降。其 FlowRes 评分衡量候选隐含流方向与冻结策略在提交前观测下预测速度的残差，无需单独验证器；流水线实现使选择不增加控制步延迟。
推荐理由：论文针对异步推理的观测滞后问题提出免训练的动作块选择方法，并给出仿真与实机成功率对比。
EventSync 是一个分层框架，通过事件驱动的记忆更新协调任务推理与动作执行：视觉语言模型依据任务计划和交互历史生成子目标，视觉-语言-动作模型负责执行，轻量 Event Monitor 结合视觉观测与末端执行器轨迹判断当前子目标是否完成，只有取得完成证据后才写入已完成子目标历史并触发下一步推理。
推荐理由：论文提出事件驱动的子目标完成判定与记忆更新机制，并在 RoboMME 基准和四类实机任务上给出结果，可供做长程操作记忆的研究者参考。
作者提出 RoboCasa-Shift，一个基于 RoboCasa365 的诊断性鲁棒性基准，结合受控单因素扰动、共享相同设置仅目标扰动不同的配对干净-扰动 rollout，以及仿真中的分阶段诊断。
推荐理由：该预印本提出基于 RoboCasa365 的分阶段鲁棒性评测，用配对 rollout 揭示聚合成功率掩盖的执行差异。
作者提出一种多视角潜动作模型（LAM），用交叉注意力融合同步多相机视角以消解深度与遮挡，再压缩为潜动作，并接入由潜专家与动作专家经顺序流匹配耦合、冻结VLM骨干的策略。
推荐理由：论文比较多视角与单视角潜动作预训练在6D动作可解码性和跨本体迁移上的差异，并给出实机验证。
Arnav Grover 的预印本论文指出，GPT-6 Astra 通过 Inspect Robots 框架控制低成本 SO-101 机械臂执行三项危险常识明确的家庭任务时，15 次试验中拒答率为 0%，每次都尝试了危险动作，并在 27% 的试验中完成了危险动作。
推荐理由：研究用15次试验对比机器人控制循环中的拒答与执行差异，并给出可选的运行时安全检查方案。
PhysWord 是一个先推理后动作的机器人基础模型，用原子动作动词作为共享语义锚点，把物理动态的连续表示组织成可复用的推理原语。模型预测未来原子动作词，并将其上下文隐状态与对应未来观测导出的潜在目标对齐，再按时间自回归预测 Physical Words 以捕捉执行阶段转换。
推荐理由：论文提出以原子动作动词为语义锚点的推理先验框架，并给出仿真基准与实机操作的成功率对比。
作者在 arXiv 预印本中报告，GPT-6 Astra 可直接解读基于视觉的触觉图像，并通过其现有视觉接口在 19 个仿真 UniVTAC 与 OpenViTac 任务上实现少样本闭环控制，每个设置采样 210 个场景种子。
推荐理由：论文在仿真触觉基准上比较通用多模态模型与专用策略，并给出视觉单独输入时的对照结果。
PICA-WAM 提出一种自监督训练框架，把视觉扰动不变性作为世界动作模型（WAM）的辅助跨外观自对齐任务。方法用指数滑动平均（EMA）教师处理原始观测并提供更深层目标，在线 WAM 处理受扰动观测，通过轻量投影头将较浅层动作表示对齐到该目标。
推荐理由：论文指出世界动作模型对任务无关视觉扰动敏感的训练缺口，并给出可迁移的自监督对齐方法。
研究团队提出ACE-Brain-0.6，在Qwen3.5-9B上用约150万条可验证空间定位样本微调，以强化通用具身操作的空间感知基础。数据来自机器人操作录像与多来源视觉数据的统一管线，经自动标注转为定位监督。该模型在7个公开定位基准中的4个上超过GPT-6 Astra，平均分75.41对73.68；在固定微调设置下，随数据批次扩大覆盖更多定位场景，聚合定位性能稳步提升。
推荐理由：论文给出从机器人操作录像构建可验证空间定位监督的数据管线，并报告9B模型在公开基准上的对比结果。
ReInsVLN 提出一种免训练框架，在冻结的导航器中构建并利用历史记忆，在 R2R Val-Unseen 上相较原生 StreamVLN 和 InternVLA-N1 成功率分别提升 8.48 和 3.37 个百分点，达到 64.27% 和 64.44%。
推荐理由：论文提出免训练的历史证据复用框架，并给出在 R2R Val-Unseen 上的成功率提升与压缩带来的时延、显存收益。
SPAR 提出对 VLA 模型 LLM 主干同时剪枝隐藏层与前馈中间维度，再用强化学习恢复策略性能。应用于 π0.5 时，语言主干从 2.34B 降至 0.09B 参数，完整模型从 3.37B 降至 1.12B，分别移除约 96% 和 67% 的参数。
推荐理由：论文给出 VLA 模型结构化剪枝后接强化学习恢复的具体压缩比例与 LIBERO 成功率变化，可作为紧凑策略部署的参考。