VLA
UniviewVLA: A Unified Multiview Vision-Language-Action Model with World Modeling
Tao Xu et al. · 提出统一多视图VLA架构，结合世界模型解决遮挡瓶颈，无需额外相机或昂贵3D重建。在多个基准上显著优于现有SOTA，实现了从单目到多视景的自然泛化，代表了VLA在处理复杂空间关系上的架构突破。
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
- MemoryVAM: Integrating Memory into Video Action Model for Robot Manipulation Yuxin Jiang et al. · 提出在视频动作模型中引入记忆机制以解决长视界非马尔可夫问题。通过扩展观察窗口历史，提升对依赖先前状态的复杂操作任务的泛化能力，为VLA处理部分可观测场景提供新架构思路。 CS.RO
- SafeDojo: Safe Reinforcement Learning for VLA via Interactive World Model Kai Tang et al. · 利用交互式世界模型实现VLA的安全强化学习，避免昂贵的真实世界探索。该方法将安全约束融入预测模型，为部署VLA到物理机器人时提供低成本的仿真内安全验证与策略优化路径。 CS.RO
- Real-World Deployment of Massively Parallel Sampling-Based MPC for Contact-Rich Manipulation Magnus Dierking et al. · 展示基于采样的MPC在接触丰富操作中的实时GPU并行部署。虽涉及真实机器人实验，但属于传统控制方法工程优化，未涉及VLA核心架构或端到端学习范式，与当前VLA主流研究方向关联度较低。 CS.RO
- Perturbation-Based Uncertainty for Failure Detection in Vision-Language-Action Models Yousung Lee et al. · 针对VLA模型提出基于扰动的不确定性量化方法，用于检测分布外失败。该方法无需修改模型结构即可评估置信度，为VLA在实际部署中的故障预警和安全拦截提供了即插即用的工程解决方案。 CS.RO
- World Action Models: A Survey Qiuhong Shen et al. · 综述世界动作模型（WAMs）的最新进展，涵盖视频生成与语言视觉骨干网络的应用。作为领域概览，有助于快速了解WAM技术路线，但无具体新方法或实验贡献，适合入门阅读而非深度复现。 CS.RO
- Geometric Entropy: When Trajectory Diversity Helps and Hurts in Imitation Learning Qian Luo et al. · 引入几何熵指标量化演示轨迹多样性对模仿学习的影响。研究揭示数据多样性与性能的非线性关系，为数据清洗和选择提供理论依据，但主要贡献在于分析而非新算法，应用路径需结合具体任务。 CS.RO
- Duet: Dual-Robot Understanding via Efficient Teaching Yiqi Zhao et al. · 提出高效教学框架解决双机器人协作中的数据瓶颈。通过模拟教师引导策略生成高质量协作数据，显著降低数据采集成本，为双臂或多机器人VLA系统的训练提供了可扩展的数据增强方案。 CS.RO
- Inductive Generalization for Robotic Manipulation Annabella Macaluso et al. · 探讨视觉运动策略的归纳泛化能力，分析跨域迁移的结构学习机制。论文侧重于理论分析与现有模型行为解释，缺乏具体的新架构改进或SOTA对比实验，属于基础理论研究范畴。 CS.RO
- BayesFP: Posterior Estimation for Flow-Based Policies via Feynman-Kac Sampling Sreevardhan Sirigiri et al. · 提出贝叶斯流策略（BayesFP），利用Feynman-Kac采样进行后验估计以实现约束轨迹生成。该方法允许在推理阶段动态调整预训练扩散策略以满足特定目标，为VLA的条件控制和安全性提供了灵活的数学工具。 CS.RO
- MV-WAM: Manifold-Aware World Action Model with Value Augmentation Jintao Chen et al. · 提出流形感知的世界动作模型，结合价值增强以提升跨环境泛化性。通过解耦状态表示与动作预测，缓解域偏移问题，为VLA在未见场景中的鲁棒性提供了新的建模视角和实验基准。 CS.RO
- Factor-Aware Mixture-of-Experts with Pretrained Encoder for Combinatorial Generalization Feihong Zhang et al. · 结合预训练编码器与因子感知混合专家模型，解决光照、纹理等变化下的组合泛化难题。MoE结构自动路由不同环境因子，显著提升多任务VLA在复杂多变场景下的适应性和准确率。 CS.RO
- PoLAR: Factorizing Extent and Mode in Latent Actions for Robot Policy Learning Youngjoon Jeong et al. · 提出PoLAR方法分解潜在动作中的幅度与模式，改善隐式动作预训练效果。虽在理论上细化了动作表示，但摘要未明确展示其在主流VLA benchmark上的显著超越或独特工程优势，暂归为值得了解。 CS.RO
VLA 研究日報VLA 研究日报
共 28 篇
⚡ 突破
🔧 技術技术
VLA
MemoryVAM: Integrating Memory into Video Action Model for Robot Manipulation
Yuxin Jiang et al. · 提出在视频动作模型中引入记忆机制以解决长视界非马尔可夫问题。通过扩展观察窗口历史，提升对依赖先前状态的复杂操作任务的泛化能力，为VLA处理部分可观测场景提供新架构思路。
cs.RO
閱讀原文
VLA
SafeDojo: Safe Reinforcement Learning for VLA via Interactive World Model
Kai Tang et al. · 利用交互式世界模型实现VLA的安全强化学习，避免昂贵的真实世界探索。该方法将安全约束融入预测模型，为部署VLA到物理机器人时提供低成本的仿真内安全验证与策略优化路径。
cs.RO
閱讀原文
VLA
Perturbation-Based Uncertainty for Failure Detection in Vision-Language-Action Models
Yousung Lee et al. · 针对VLA模型提出基于扰动的不确定性量化方法，用于检测分布外失败。该方法无需修改模型结构即可评估置信度，为VLA在实际部署中的故障预警和安全拦截提供了即插即用的工程解决方案。
cs.RO
閱讀原文
VLA
Duet: Dual-Robot Understanding via Efficient Teaching
Yiqi Zhao et al. · 提出高效教学框架解决双机器人协作中的数据瓶颈。通过模拟教师引导策略生成高质量协作数据，显著降低数据采集成本，为双臂或多机器人VLA系统的训练提供了可扩展的数据增强方案。
cs.RO
閱讀原文
VLA
BayesFP: Posterior Estimation for Flow-Based Policies via Feynman-Kac Sampling
Sreevardhan Sirigiri et al. · 提出贝叶斯流策略（BayesFP），利用Feynman-Kac采样进行后验估计以实现约束轨迹生成。该方法允许在推理阶段动态调整预训练扩散策略以满足特定目标，为VLA的条件控制和安全性提供了灵活的数学工具。
cs.RO
閱讀原文
VLA
MV-WAM: Manifold-Aware World Action Model with Value Augmentation
Jintao Chen et al. · 提出流形感知的世界动作模型，结合价值增强以提升跨环境泛化性。通过解耦状态表示与动作预测，缓解域偏移问题，为VLA在未见场景中的鲁棒性提供了新的建模视角和实验基准。
cs.RO
閱讀原文
VLA
Factor-Aware Mixture-of-Experts with Pretrained Encoder for Combinatorial Generalization
Feihong Zhang et al. · 结合预训练编码器与因子感知混合专家模型，解决光照、纹理等变化下的组合泛化难题。MoE结构自动路由不同环境因子，显著提升多任务VLA在复杂多变场景下的适应性和准确率。
cs.RO
閱讀原文
VLA
Remember what you did?: Learning Behavioral Memories for Partially Observable Object Manipulation
Kuancheng Wang et al. · 引入行为记忆模块以应对部分可观测环境下的长视界操作。通过显式编码历史交互信息，弥补单帧视觉信息的不足，为VLA处理需要长期上下文依赖的任务提供了有效的记忆增强机制。
cs.RO
閱讀原文
VLA
NAC: Neural Action Codec for Vision-Language-Action Models
Ahad Jawaid et al. · 提出神经动作编解码器（NAC），优化VLA中连续控制与离散序列建模之间的桥接。旨在平衡压缩率、延迟与性能，为提升VLA推理速度和token效率提供了可复用的底层组件设计。
cs.RO
閱讀原文
VLA
Robot Self-Improvement via Human-Video Dynamics Models
Hanzhi Chen et al. · 利用人类视频动力学模型实现机器人自我改进，从被动观察中学习技能。该方法拓展了VLA的训练数据来源，通过融合人类先验知识提升样本效率，为少样本场景下的策略进化提供了新范式。
cs.RO
閱讀原文
VLA
ASCII Art Turns LLMs into VLA Controllers
Yitao Jiang et al. · 创新性地使用ASCII艺术将纯文本LLM转化为VLA控制器，绕过大型多模态骨干网络。该方法大幅降低计算资源需求，证明简单视觉编码即可激发LLM的操作潜力，为轻量化VLA部署提供极具启发性的替代方案。
cs.RO
閱讀原文
VLA
Decoupling the Declarative from the Procedural in Vision-Language-Action Models
Nikolaos Tsagkas et al. · 解耦VLA中的声明性知识与程序性技能，提升对象间泛化能力。通过分离“做什么”与“怎么做”，减少对新物体演示数据的依赖，为解决VLA在开放世界中的零样本/少样本迁移问题提供结构化解决方案。
cs.RO
閱讀原文
VLA
VQActFlow: Vector-Quantized Action Mode Steering for Multi-Task Robot Manipulation
Zhigen Zhao et al. · 提出向量量化动作流（VQActFlow），通过离散化动作模式解决多任务策略的模式混淆问题。该方法有效分离不同任务的动作分布，提升多任务VLA在复杂演示数据下的训练稳定性和最终成功率。
cs.RO
閱讀原文
VLA
CoRDE: Concept-Prior Routed Diffusion Experts for Structural Generalization in Robot Manipulation
Haidong Huang et al. · 提出概念先验路由扩散专家（CoRDE），解决多任务长视界中的梯度冲突与结构泛化问题。通过模块化专家网络处理不同语义概念，显著提升VLA在未见任务组合中的零样本泛化性能。
cs.RO
閱讀原文
VLA
Wh0: Generative World Models as Scalable Sources of Egocentric Human Hand Manipulation Data
Yangtao Chen et al. · 利用生成式世界模型合成大规模第一人称手部操作数据，解决灵巧操作数据稀缺问题。生成的数据与机器人部署场景对齐，为训练高泛化性VLA提供了低成本、可扩展的数据增强源。
cs.RO
閱讀原文
📖 背景閱讀背景阅读
VLA
Real-World Deployment of Massively Parallel Sampling-Based MPC for Contact-Rich Manipulation
Magnus Dierking et al. · 展示基于采样的MPC在接触丰富操作中的实时GPU并行部署。虽涉及真实机器人实验，但属于传统控制方法工程优化，未涉及VLA核心架构或端到端学习范式，与当前VLA主流研究方向关联度较低。
cs.RO
閱讀原文
VLA
World Action Models: A Survey
Qiuhong Shen et al. · 综述世界动作模型（WAMs）的最新进展，涵盖视频生成与语言视觉骨干网络的应用。作为领域概览，有助于快速了解WAM技术路线，但无具体新方法或实验贡献，适合入门阅读而非深度复现。
cs.RO
閱讀原文
VLA
Geometric Entropy: When Trajectory Diversity Helps and Hurts in Imitation Learning
Qian Luo et al. · 引入几何熵指标量化演示轨迹多样性对模仿学习的影响。研究揭示数据多样性与性能的非线性关系，为数据清洗和选择提供理论依据，但主要贡献在于分析而非新算法，应用路径需结合具体任务。
cs.RO
閱讀原文
VLA
Inductive Generalization for Robotic Manipulation
Annabella Macaluso et al. · 探讨视觉运动策略的归纳泛化能力，分析跨域迁移的结构学习机制。论文侧重于理论分析与现有模型行为解释，缺乏具体的新架构改进或SOTA对比实验，属于基础理论研究范畴。
cs.RO
閱讀原文
VLA
PoLAR: Factorizing Extent and Mode in Latent Actions for Robot Policy Learning
Youngjoon Jeong et al. · 提出PoLAR方法分解潜在动作中的幅度与模式，改善隐式动作预训练效果。虽在理论上细化了动作表示，但摘要未明确展示其在主流VLA benchmark上的显著超越或独特工程优势，暂归为值得了解。
cs.RO
閱讀原文
VLA
Pose-Agnostic Robotic Functional Grasping via Observation-Action Canonicalization
Le Qiu et al. · 通过观测-动作规范化实现姿态无关的功能性抓取，专注于杯柄等精细操作。该方法针对特定抓取子任务优化，缺乏通用VLA架构层面的创新，且实验范围局限于单一任务类型，适用面较窄。
cs.RO
閱讀原文
VLA
Robot Critics that Sweat the Small Stuff
Sruthi Sudhakar et al. · 利用VLM作为推理阶段的批评家，通过关注细微视觉差异来引导策略。虽概念新颖，但主要依赖外部大模型推理，增加了系统延迟与复杂性，且未深入解决闭环控制中的实时性与稳定性核心痛点。
cs.RO
閱讀原文
VLA
Imitation from Heterogeneous Demonstrations using Grounded Latent-Action World Models
Tianyou Wang et al. · 利用接地潜在动作世界模型从异构演示中学习。旨在解决数据质量不一的问题，但摘要未明确展示其在标准VLA基准上的具体增益幅度，更多是方法论上的补充，需进一步验证其普适性。
cs.RO
閱讀原文
VLA
RARM: Confidence-Gated Progress Reward Modeling for RL in Manipulation
Pengzhi Yang et al. · 提出置信门控进度奖励建模以缓解RL稀疏奖励问题。虽有助于长视界任务，但主要聚焦于RL奖励函数设计，而非VLA核心架构或端到端训练范式的革新，属于辅助性优化技术。
cs.RO
閱讀原文
VLA
How Should a Simulation-to-Reality Transfer Budget Be Spent?
Syed Hamzah Rizvi et al. · 分析Sim-to-Real转移中预算分配策略，权衡仿真精度与覆盖广度。提供有价值的工程洞见，但属于元分析与指南性质，无具体新算法或模型贡献，适合规划实验而非直接复用代码。
cs.RO
閱讀原文
VLA
DeformX: A Versatile Co-Simulation Framework for Deformable Linear Objects
Yi Yang et al. · 发布用于柔性线状物体（如线缆）的高保真共仿真框架DeformX。填补了柔性体操作仿真工具的空白，对触觉VLA和灵巧操作研究具有重要基础设施价值，但本身非控制算法论文。
cs.RO
閱讀原文
VLA
RoboLineage: Agent-Native Data Lifecycle Governance Across Robot Policy Iterations
Qian Luo et al. · 提出RoboLineage系统管理机器人策略迭代中的数据生命周期。聚焦于工程治理与版本控制，虽对团队协作重要，但不涉及VLA模型本身的算法创新或性能提升，属于工具链范畴。
cs.RO
閱讀原文