VLA
EquiVLA: A General Framework for Rotationally Equivariant Vision-Language-Action Models
Thien-Loc Ha et al. · 提出旋转等变VLA框架，通过几何归纳偏置解决模型在不同朝向下泛化难的问题。在多个基准上显著优于基线，从架构层面解决了VLA核心的几何泛化瓶颈，具备战略意义。
cs.RO
閱讀原文
VLA 研究日報 Pulsar
LIVE
— AI 線今日無資料 —— AI 线今日无资料 —
VLA 線VLA 线 · cs.RO · cs.AI · cs.LG
- WorkBenchMark: A LEGO-Based Assembly Benchmark with an Assembly-by-Disassembly Baseline for the Smart Manufacturing League Wenbo Ma et al. · 提出基于LEGO Duplo的组装基准WorkBenchMark，旨在评估智能制造中的符号推理与物理操作结合能力。作为新数据集/基准值得关注，但非核心VLA架构创新。 CS.RO
- DiffusionVS: A Generative Framework for Robust Visual Servoing Based on Diffusion Policy Hongkang Cui et al. · 将扩散策略应用于视觉伺服（Visual Servoing），解决传统回归方法在噪声下的轨迹抖动问题。提供了更鲁棒的闭环控制方案，可直接用于提升现有VLA底层的执行稳定性。 CS.RO
- Playful Agentic Robot Learning Junyi Zhang et al. · 探索通过“玩耍”让具身智能体自主获取可复用技能，减少对显式指令的依赖。属于Agentic控制的前沿探索，但目前多为概念验证或仿真，缺乏大规模真实机器人部署证据。 CS.RO
- One Demo is Worth a Thousand Trajectories: Action-View Augmentation for Visuomotor Policies Chuer Pan et al. · 提出动作-视图增强技术，仅需少量演示即可生成大量多样化训练数据，显著提升视动策略对初始配置和障碍物的泛化能力。该方法即插即用，极具工程实用价值。 CS.RO
- Temporal Self-Imitation Learning Yinsen Jia et al. · 引入时间自模仿学习机制，防止长视界任务中高效行为在训练过程中被遗忘。虽涉及RL精调，但主要贡献在于训练技巧优化，未提出新的VLA架构或显著超越SOTA。 CS.RO
- Start Right, Arrive Right: Asynchronous Execution via Initial Noise Selection Trong-Bao Ho et al. · 针对流匹配策略的延迟问题，提出通过初始噪声选择实现异步执行，平衡了多步动作生成的连贯性与实时控制需求。为VLA部署提供了具体的工程优化路径。 CS.RO
- EquiVLA: A General Framework for Rotationally Equivariant Vision-Language-Action Models Thien-Loc Ha et al. · 提出旋转等变VLA框架，通过几何归纳偏置解决模型在不同朝向下泛化难的问题。在多个基准上显著优于基线，从架构层面解决了VLA核心的几何泛化瓶颈，具备战略意义。 CS.RO
- Co-policy: Responsive Human-Robot Co-Creation for Musical Performances Xuetao Li et al. · 聚焦音乐表演场景的人机协作生成，强调创造性而非通用操作能力。属于特定领域的应用研究，方法论对通用VLA泛化性提升的直接参考价值有限。 CS.RO
- Tri-Info: Generalizable, Interpretable Failure Prediction for VLA Models via Information Theory Jinghan Yang et al. · 利用信息论指标构建VLA模型的失败预测器，提供可解释的安全监控机制。有助于在实际部署中识别黑盒模型的潜在风险，是VLA安全落地的关键工具。 CS.RO
- MirrorDuo: Reflection-Consistent Visuomotor Learning from Mirrored Demonstration Pairs Zheyu Zhuang et al. · 利用镜像对称性从成对演示中学习，有效降低数据采集成本并提升工作空间泛化能力。提供了一种低成本扩充高质量VLA训练数据的可行方案。 CS.RO
- Pose6DAug: Physically Plausible Multi-view Object Swapping for Robot Data Augmentation Jonghoon Lee et al. · 提出基于物理合理性的多视角物体交换数据增强方法，解决VLA对未见物体外观/几何分布敏感的问题。直接针对数据稀缺痛点，易于集成到现有训练流程中。 CS.RO
- Frequency-Aware Flow Matching for Continuous and Consistent Robotic Action Generation Jianing Guo et al. · 改进流匹配算法以关注频率特性，提升动作生成的连续性和一致性。虽是对Diffusion Policy/Flow Matching的改进，但更多是算法层面的微调，未展示跨平台SOTA突破。 CS.RO
VLA 研究日報VLA 研究日报
共 28 篇
⚡ 突破
🔧 技術技术
VLA
DiffusionVS: A Generative Framework for Robust Visual Servoing Based on Diffusion Policy
Hongkang Cui et al. · 将扩散策略应用于视觉伺服（Visual Servoing），解决传统回归方法在噪声下的轨迹抖动问题。提供了更鲁棒的闭环控制方案，可直接用于提升现有VLA底层的执行稳定性。
cs.RO
閱讀原文
VLA
One Demo is Worth a Thousand Trajectories: Action-View Augmentation for Visuomotor Policies
Chuer Pan et al. · 提出动作-视图增强技术，仅需少量演示即可生成大量多样化训练数据，显著提升视动策略对初始配置和障碍物的泛化能力。该方法即插即用，极具工程实用价值。
cs.RO
閱讀原文
VLA
Start Right, Arrive Right: Asynchronous Execution via Initial Noise Selection
Trong-Bao Ho et al. · 针对流匹配策略的延迟问题，提出通过初始噪声选择实现异步执行，平衡了多步动作生成的连贯性与实时控制需求。为VLA部署提供了具体的工程优化路径。
cs.RO
閱讀原文
VLA
Tri-Info: Generalizable, Interpretable Failure Prediction for VLA Models via Information Theory
Jinghan Yang et al. · 利用信息论指标构建VLA模型的失败预测器，提供可解释的安全监控机制。有助于在实际部署中识别黑盒模型的潜在风险，是VLA安全落地的关键工具。
cs.RO
閱讀原文
VLA
MirrorDuo: Reflection-Consistent Visuomotor Learning from Mirrored Demonstration Pairs
Zheyu Zhuang et al. · 利用镜像对称性从成对演示中学习，有效降低数据采集成本并提升工作空间泛化能力。提供了一种低成本扩充高质量VLA训练数据的可行方案。
cs.RO
閱讀原文
VLA
Pose6DAug: Physically Plausible Multi-view Object Swapping for Robot Data Augmentation
Jonghoon Lee et al. · 提出基于物理合理性的多视角物体交换数据增强方法，解决VLA对未见物体外观/几何分布敏感的问题。直接针对数据稀缺痛点，易于集成到现有训练流程中。
cs.RO
閱讀原文
VLA
Finetuning Vision-Language-Action Models Requires Fewer Layers Than You Think
Gia-Binh Nguyen et al. · 发现VLA微调只需更新少数层即可达到全量微调效果，大幅降低计算负担。为资源受限环境下的VLA定制提供了重要的工程洞见和轻量化方案。
cs.RO
閱讀原文
VLA
Co-VLA: Coordination-Aware Structured Action Modeling for Dual-Arm Vision-Language-Action Systems
Yandong Wang et al. · 针对双臂协作引入结构化动作建模，显式编码协调约束以改善双臂操作的同步性与效率。填补了VLA在复杂双臂协同任务中的建模空白，具有明确的应用价值。
cs.RO
閱讀原文
VLA
MemoryWAM: Efficient World Action Modeling with Persistent Memory
Sizhe Yang et al. · 在World Action Model中引入持久记忆机制，提升对动态环境的长期状态跟踪能力。为VLA处理长视界、部分可观测任务提供了有效的世界模型增强方案。
cs.RO
閱讀原文
VLA
ImageWAM: Do World Action Models Really Need Video Generation, or Just Image Editing?
Yuyang Zhang et al. · 质疑WAM对视频生成的依赖，提出仅通过图像编辑即可实现高效的世界模型预测。显著降低推理成本，为VLA的世界模型组件提供了轻量级替代方案。
cs.RO
閱讀原文
VLA
Bring My Cup! Personalizing Vision-Language-Action Models with Visual Attentive Prompting
Sangoh Lee et al. · 通过视觉注意力提示解决VLA在个性化指令（如“拿我的杯子”）中的实例区分难题。提升了VLA在复杂语义场景下的细粒度理解与执行能力，方法简单有效。
cs.RO
閱讀原文
VLA [Physical Intelligence]
ENPIRE: Agentic Robot Policy Self-Improvement in the Real World
Wenli Xiao et al. · 实现真实世界中具身智能体的策略自改进，减少人工监督依赖。展示了Agentic VLA在闭环反馈中自我进化的能力，具有重要的工程落地示范意义。
cs.AI
閱讀原文
VLA
Mix-QVLA: Task-Evidence-Aware Mixed-Precision Quantization of Vision-Language-Action Models
Navin Ranjan et al. · 提出任务证据感知的混合精度量化框架，在保持VLA性能的同时显著压缩模型体积。为VLA在边缘设备上的高效部署提供了关键的量化技术方案。
cs.CV
閱讀原文
📖 背景閱讀背景阅读
VLA
WorkBenchMark: A LEGO-Based Assembly Benchmark with an Assembly-by-Disassembly Baseline for the Smart Manufacturing League
Wenbo Ma et al. · 提出基于LEGO Duplo的组装基准WorkBenchMark，旨在评估智能制造中的符号推理与物理操作结合能力。作为新数据集/基准值得关注，但非核心VLA架构创新。
cs.RO
閱讀原文
VLA
Playful Agentic Robot Learning
Junyi Zhang et al. · 探索通过“玩耍”让具身智能体自主获取可复用技能，减少对显式指令的依赖。属于Agentic控制的前沿探索，但目前多为概念验证或仿真，缺乏大规模真实机器人部署证据。
cs.RO
閱讀原文
VLA
Temporal Self-Imitation Learning
Yinsen Jia et al. · 引入时间自模仿学习机制，防止长视界任务中高效行为在训练过程中被遗忘。虽涉及RL精调，但主要贡献在于训练技巧优化，未提出新的VLA架构或显著超越SOTA。
cs.RO
閱讀原文
VLA
Co-policy: Responsive Human-Robot Co-Creation for Musical Performances
Xuetao Li et al. · 聚焦音乐表演场景的人机协作生成，强调创造性而非通用操作能力。属于特定领域的应用研究，方法论对通用VLA泛化性提升的直接参考价值有限。
cs.RO
閱讀原文
VLA
Frequency-Aware Flow Matching for Continuous and Consistent Robotic Action Generation
Jianing Guo et al. · 改进流匹配算法以关注频率特性，提升动作生成的连续性和一致性。虽是对Diffusion Policy/Flow Matching的改进，但更多是算法层面的微调，未展示跨平台SOTA突破。
cs.RO
閱讀原文
VLA
CoLI: A Reproducible Platform for Continuum Robot Learning via Monolithic 3D Printing and Isomorphic Teleoperation
Ziyuan Tang et al. · 介绍一种用于连续体机器人学习的可重复平台及同构遥操作系统。侧重于硬件平台与数据采集流程，虽有价值但非VLA算法或模型层面的核心进展。
cs.RO
閱讀原文
VLA
TaCauchy: An Extensible FEM Framework for Vision-Based Tactile Simulation
Hengfei Zhao et al. · 提出基于FEM的视觉触觉仿真框架，解决GPU加速下应力场模拟精度不足的问题。是触觉VLA的重要基础设施，但本身不涉及VLA模型架构或训练范式创新。
cs.RO
閱讀原文
VLA [UCSD|Wang]
Generating Robot Hands from Human Demonstrations
Sha Yi et al. · 探索从人类演示中逆向设计机器人手部结构，涉及形态与控制联合优化。属于机器人本体设计领域，与当前主流VLA软件/算法研究方向差异较大。
cs.RO
閱讀原文
VLA
3D-DLP: Self-Supervised 3D Object-Centric Scene Representation Learning
Ellina Zhang et al. · 提出自监督3D对象中心场景表示学习方法，分解RGB-D数据为潜在粒子。虽有助于提升VLA感知模块的表征能力，但属于纯视觉/表示学习范畴，未直接结合动作。
cs.RO
閱讀原文
VLA
Humanoid Everyday: A Comprehensive Robotic Dataset for Open-World Humanoid Manipulation
Zhenyu Zhao et al. · 发布面向人形机器人的开放世界操作数据集，涵盖移动与灵巧操作。重要数据资源，但作为数据集论文，其紧迫性低于算法突破，归为值得了解。
cs.RO
閱讀原文
VLA
Transferring Contact, Not Just Motion: Compliant Grasping Across Dexterous Hands
Soofiyan Atar et al. · 强调接触力转移而非单纯运动迁移，实现灵巧手间的合规抓取策略迁移。侧重触觉/力控细节，虽相关但未触及VLA大模型核心架构，且实验规模有限。
cs.RO
閱讀原文
VLA
CoMo: Learning Continuous Latent Motion from Internet Videos for Scalable Robot Learning
Jiange Yang et al. · 从互联网视频中学习连续潜在运动表示，旨在扩大机器人学习的数据规模。属于预训练表征学习，虽有价值但缺乏与具体VLA控制策略结合的实证SOTA提升。
cs.RO
閱讀原文
VLA
DADP: Domain Adaptive Diffusion Policy
Pengcheng Wang et al. · 提出域自适应扩散策略以应对未见动力学变化。虽针对泛化性问题，但主要贡献在于RL控制领域的域适应技巧，对VLA整体架构影响有限。
cs.RO
閱讀原文
VLA
Mem-World: Memory-Augmented Action-Conditioned World Models for Persistent Robot Manipulation
Zirui Zheng et al. · 类似MemoryWAM，引入记忆增强的世界模型以支持持久操作。与今日其他WAM论文方向重叠，若无显著超越SOTA的表现，视为常规进展。
cs.RO
閱讀原文