具身智能与 VLA 模型研究进展

视觉语言动作模型(VLA)把图像、语言指令和机器人动作接在一起。这里跟踪模型与开发工具的变化,重点看论文用什么任务评测,以及工具在哪些模型和设备上能运行。

开发工具与论文

论文日期以 arXiv 所列提交日为准

· 版本发布

LeRobot v0.7.0 支持执行过程中切换子任务

交互式运行允许操作者在机器人执行过程中用语言切换子任务。发布说明列出了支持这一功能的策略和外部规划器配置。

LeRobot v0.7.0 发布说明

· arXiv v1

研究发现 VLA 的文字解释和动作可能分离

论文在驾驶模型 Alpamayo 和操作模型 InstructVLA 中观察到,图像扰动可以改变预测动作,同时保留原有文字解释。结果提示评测需要直接检查模型输出的动作。

arXiv 论文原文 · Say the Same, Act Differently

· arXiv v1

换个说法,VLA 的任务表现可能明显变化

研究在 π₀、π₀.₅ 和指定测试任务中对照了不同指令措辞,并尝试用规则改写指令来改善表现。读结果时可核对模型检查点、任务和措辞条件。

arXiv 论文原文 · Rephrase Before You Act

延伸阅读