#VLA

共 9 篇相关文章

JADE提出联合去噪框架，让视觉语言模型深度参与机器人动作生成的每个去噪步骤，通过门控交叉注意力动态引导动作专家。在RoboDojo上取得12.67%平均成功率，真机双臂任务成功率较π₀.₅提升20.8个百分点。

VLA推理轨迹该以多大权重影响动作？新论文提出Q-adaptive guidance，将步级引导权重建模为可测量动作价值的MDP，在Alpasim仿真和Waymo基准上超越固定权重与SAC、GRPO，并刷新已发表方法SOTA。

一位开发者分享在12GB显存3060上从零训练的本地VLA模型：用状态导向注意力替代预训练视觉编码器，以768×768循环状态处理原始像素，推理时学习新形状与名字的关联。文章拆解其架构、任务设计与训练中暴露的梯度爆炸和教师矛盾问题。

Backtrack是一种针对冻结VLA模型的轻量级故障检测与恢复机制，通过小型预测头识别失败并回溯重试，在LIBERO-Long上降低失败率19-48%，无需重训练即可提升机器人操作鲁棒性。

AtomicRL提出原子强化学习框架，通过语义感知策略优化(SAPO)和瓶颈自适应目标探索(BATE)解决VLA长程机器人操作中的信用分配与子任务不平衡问题，在LIBERO-LONG和CALVIN基准上超越PPO，真实任务性能提升21.3%。

PaceVLA提出自适应时间动作量化框架，通过模式特定动作解码器与量化引导路由器，在保持任务成功率的同时提升VLA模型执行效率，仿真与真实世界实验验证其有效性。

一项系统性研究将VLA世界模型整合归纳为四种范式，在统一框架下评测发现：2D语义表征跨范式稳健，解耦MoT未来专家OOD鲁棒性突出，世界建模在长时程与动态任务中收益最大。

机器人VLA策略的执行视界被当作调参旋钮，实为平稳性方程的解。该研究写下目标函数，证明视界由推理价格与被控对象延迟成本曲率决定，并揭示两端关闭的可行窗口与延迟墙，同时证伪平方根定律。

Splat2Act 是一套 real-to-sim-to-real 自动化流水线，用户仅需手机扫描场景和拍摄物品，即可将 π0.5 等 VLA 策略个性化到自家环境。真机抓取成功率从 0% 提升至 63.9%，有效弥合仿真到真实的迁移鸿沟。