VLA [小米]
Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories
Xiaomi Robotics Team et al. · 小米发布基于 10 万小时真实世界轨迹训练的 VLA 基础模型，具备开箱即用的泛化能力。数据规模巨大且涵盖未见环境，显著推动了 VLA 从仿真到真实世界的迁移 SOTA。
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
- NavVerse: Benchmarking Indoor-to-Outdoor Embodied Navigation in Continuous Robot Simulation 提出首个室内外连续导航基准 NavVerse，填补了跨域无缝导航评估的空白。虽非 VLA 核心架构创新，但为移动操作提供了重要的仿真测试环境。 HF-PAPER
- LENS: LLM-guided Environment Simplification for Planning and Control in Clutter [University of Pennsylvania] Aileen Liao et al. · 利用 LLM 简化杂乱环境以辅助规划与控制，解决了多物体碰撞和复杂性扩展问题。方法可直接集成到现有 VLA 推理流程中，提升复杂场景下的鲁棒性。 CS.RO
- Diffusion ReRoll: Revisable Denoising for Robotic Sequential Prediction [Agency for Defense Development] Seonsoo Kim et al. · 提出可修正的去噪机制，允许在时间视界内回溯并修正扩散策略的预测错误。相比标准 Diffusion Policy，显著提升了序列预测的灵活性和准确性，代码易于复用。 CS.RO
- ReferTrack: Referring Then Tracking for Embodied Visual Tracking [RCV Laboratory, SUSTech] Hanjing Ye et al. · 针对具身视觉跟踪任务，提出先指代后跟踪的两阶段框架。虽然涉及 VLA 概念，但主要贡献在于跟踪算法优化，而非通用的 VLA 控制策略。 CS.RO
- Closing the Lab-to-Store Gap: A Data-Efficient Post-Training and Experience-Driven Learning VLA Framework for Retail Humanoids [Unitree] Roger Sala Sisó et al. · 针对零售人形机器人提出高效的后训练和经验驱动学习框架，解决实验室到真实商店的分布偏移问题。提供了具体的工程化部署路径和数据增强策略。 CS.RO
- RouterVLA: Budgeted Commissioning and Expert Onboarding for Growing VLA Pools [Chinese University of Hong Kong, Shenzhen] Xingyu Ren et al. · 研究 VLA 专家池的动态路由与新专家引入策略，通过分割条件优化部署成本与性能平衡。为大规模 VLA 系统的管理和扩展提供了实用的架构洞见。 CS.RO
- Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories [小米] Xiaomi Robotics Team et al. · 小米发布基于 10 万小时真实世界轨迹训练的 VLA 基础模型，具备开箱即用的泛化能力。数据规模巨大且涵盖未见环境，显著推动了 VLA 从仿真到真实世界的迁移 SOTA。 CS.RO
- RoboInter1.5: A Holistic Intermediate Representation Suite for Embodied World Modeling and Robotic Manipulation [Shanghai University of Engineering Science] Ziqin Wang et al. · 提供了一套用于具身世界建模和操作的全息中间表示套件，旨在解决数据集标注粗糙的问题。属于基础设施类工作，对长期研究有价值但非即时算法突破。 CS.RO
- AdvNav: Behavior-Guided Black-Box Adversarial Attacks on Vision-Language Navigation [The Hong Kong University of Science and Technology (Guangzhou)] Chenyang Li et al. · 研究视觉语言导航系统中的黑盒对抗攻击，揭示了 VLN 系统的安全性漏洞。虽与安全相关，但主要关注导航而非通用的 VLA 操作控制。 CS.AI
- RoboInspector: Unveiling the Unreliability of Policy Code for LLM-enabled Robotic Manipulation [Zhejiang University] Chenduo Ying et al. · 分析 LLM 生成的机器人操作策略代码的不可靠性，揭示了代码生成在具身智能中的潜在风险。属于诊断性研究，未提出新的 VLA 架构或训练方法。 CS.AI
- ImplicitRDP: An End-to-End Visual-Force Diffusion Policy with Structural Slow-Fast Learning [China Agricultural University] Wendi Chen et al. · 提出结合视觉和力觉的端到端扩散策略，利用结构化的慢-快学习机制处理接触丰富操作。填补了触觉 VLA 方向的空白，方法具有明确的复现价值。 CS.AI
- AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models [Beijing University of Technology] Tingzheng Jia et al. · 通过轨迹锚点和残差细化实现全局组织与局部执行的协同，解决 VLA 单空间生成的局限性。提供了提升精密操作精度的具体技术路线。 CS.AI
VLA 研究日報VLA 研究日报
共 24 篇
⚡ 突破
🔧 技術技术
VLA [University of Pennsylvania]
LENS: LLM-guided Environment Simplification for Planning and Control in Clutter
Aileen Liao et al. · 利用 LLM 简化杂乱环境以辅助规划与控制，解决了多物体碰撞和复杂性扩展问题。方法可直接集成到现有 VLA 推理流程中，提升复杂场景下的鲁棒性。
cs.RO
閱讀原文
VLA [Agency for Defense Development]
Diffusion ReRoll: Revisable Denoising for Robotic Sequential Prediction
Seonsoo Kim et al. · 提出可修正的去噪机制，允许在时间视界内回溯并修正扩散策略的预测错误。相比标准 Diffusion Policy，显著提升了序列预测的灵活性和准确性，代码易于复用。
cs.RO
閱讀原文
VLA [Unitree]
Closing the Lab-to-Store Gap: A Data-Efficient Post-Training and Experience-Driven Learning VLA Framework for Retail Humanoids
Roger Sala Sisó et al. · 针对零售人形机器人提出高效的后训练和经验驱动学习框架，解决实验室到真实商店的分布偏移问题。提供了具体的工程化部署路径和数据增强策略。
cs.RO
閱讀原文
VLA [Chinese University of Hong Kong, Shenzhen]
RouterVLA: Budgeted Commissioning and Expert Onboarding for Growing VLA Pools
Xingyu Ren et al. · 研究 VLA 专家池的动态路由与新专家引入策略，通过分割条件优化部署成本与性能平衡。为大规模 VLA 系统的管理和扩展提供了实用的架构洞见。
cs.RO
閱讀原文
VLA [China Agricultural University]
ImplicitRDP: An End-to-End Visual-Force Diffusion Policy with Structural Slow-Fast Learning
Wendi Chen et al. · 提出结合视觉和力觉的端到端扩散策略，利用结构化的慢-快学习机制处理接触丰富操作。填补了触觉 VLA 方向的空白，方法具有明确的复现价值。
cs.AI
閱讀原文
VLA [Beijing University of Technology]
AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models
Tingzheng Jia et al. · 通过轨迹锚点和残差细化实现全局组织与局部执行的协同，解决 VLA 单空间生成的局限性。提供了提升精密操作精度的具体技术路线。
cs.AI
閱讀原文
VLA [Futian Laboratory]
Guide, Think, Act: Interactive Embodied Reasoning in Vision-Language-Action Models
Yiran Ling et al. · 提出 GTA-VLA 框架，允许用户通过视觉提示引导机器人的空间推理过程。增强了 VLA 的可解释性和人机交互能力，适合需要精细控制的场景。
cs.CV
閱讀原文
VLA
Leveraging Offline Supervision for Efficient and Generalizable Reinforcement Learning in Large-Scale Vision-Language-Action Models
Dmitriy Poyarkov et al. · 利用离线监督信号提升大规模 VLA 模型的在线 RL 效率和泛化性，解决了 OOD 行为弱的问题。为 VLA 的微调阶段提供了高效的混合训练范式。
cs.LG
閱讀原文
VLA [University of British Columbia]
Agentic Real2Sim: Physics-based World Modeling with Vision-Language Agents
Guanxiong Chen et al. · 利用 VLA 代理自动化 Real2Sim 流程，恢复场景几何和物理参数。显著降低了仿真重建的人力成本，为 VLA 的数据闭环提供了关键工程支持。
cs.RO
閱讀原文
VLA [University of Science and Technology of China]
TransDex: Pre-training Visuo-Tactile Policy with Point Cloud Reconstruction for Dexterous Manipulation of Transparent Objects
Fengguan Li et al. · 针对透明物体的灵巧操作，提出基于点云重建的视触预训练策略。解决了深度噪声和自遮挡难题，是触觉 VLA 方向的重要补充。
cs.AI
閱讀原文
VLA [Stanford University]
Masked Visual Actions for Unified World Modeling
Hadi Alzayer et al. · 提出掩码视觉动作表示，使视频世界模型能更好地对齐机器人动作。为构建统一的视觉-动作世界模型提供了关键的表征创新，利于 VLA 预训练。
cs.CV
閱讀原文
VLA [The University of Tokyo]
WorldPack: Dynamic Frame Compression for Long-context Video World Modeling
Yuta Oshima et al. · 提出动态帧压缩技术以优化长上下文视频世界模型的效率，解决了显存和计算瓶颈。为 VLA 处理长序列观测提供了高效的工程优化方案。
cs.LG
閱讀原文
📖 背景閱讀背景阅读
VLA
NavVerse: Benchmarking Indoor-to-Outdoor Embodied Navigation in Continuous Robot Simulation
提出首个室内外连续导航基准 NavVerse，填补了跨域无缝导航评估的空白。虽非 VLA 核心架构创新，但为移动操作提供了重要的仿真测试环境。
hf-papers
閱讀原文
VLA [RCV Laboratory, SUSTech]
ReferTrack: Referring Then Tracking for Embodied Visual Tracking
Hanjing Ye et al. · 针对具身视觉跟踪任务，提出先指代后跟踪的两阶段框架。虽然涉及 VLA 概念，但主要贡献在于跟踪算法优化，而非通用的 VLA 控制策略。
cs.RO
閱讀原文
VLA [Shanghai University of Engineering Science]
RoboInter1.5: A Holistic Intermediate Representation Suite for Embodied World Modeling and Robotic Manipulation
Ziqin Wang et al. · 提供了一套用于具身世界建模和操作的全息中间表示套件，旨在解决数据集标注粗糙的问题。属于基础设施类工作，对长期研究有价值但非即时算法突破。
cs.RO
閱讀原文
VLA [The Hong Kong University of Science and Technology (Guangzhou)]
AdvNav: Behavior-Guided Black-Box Adversarial Attacks on Vision-Language Navigation
Chenyang Li et al. · 研究视觉语言导航系统中的黑盒对抗攻击，揭示了 VLN 系统的安全性漏洞。虽与安全相关，但主要关注导航而非通用的 VLA 操作控制。
cs.AI
閱讀原文
VLA [Zhejiang University]
RoboInspector: Unveiling the Unreliability of Policy Code for LLM-enabled Robotic Manipulation
Chenduo Ying et al. · 分析 LLM 生成的机器人操作策略代码的不可靠性，揭示了代码生成在具身智能中的潜在风险。属于诊断性研究，未提出新的 VLA 架构或训练方法。
cs.AI
閱讀原文
VLA [Singapore University of Technology and Design]
PAVXploreRL: Physical-Action-Visual World Model Reinforcement Learning with Action Exploration
Han Wang et al. · 结合物理动作视觉世界模型与强化学习进行动作探索，旨在减少对真实滚动的依赖。方法较为新颖，但摘要未明确展示其在主流 VLA 基准上的超越性表现。
cs.CV
閱讀原文
VLA [Institute of Artificial Intelligence (TeleAI), China Telecom]
KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding
Zeyu Liu et al. · 提出 KineBench 基准，通过无 IDM 的运动学接地评估具身世界模型的物理一致性。作为评估工具重要，但本身不提供新的 VLA 控制方法。
cs.RO
閱讀原文
VLA [Alaya Lab]
AlayaWorld: Interactive Long-Horizon World Modeling -- Full Technical Report
AlayaWorld Team et al. · 详细报告了交互式长视界世界模型 AlayaWorld 的技术细节，强调从用户输入即时生成环境。属于世界模型领域的深度工作，但与实时 VLA 控制仍有距离。
cs.AI
閱讀原文
VLA [Peking University]
DWM: Separating World Effects from Actions in Latent World Models
Yi-Ge Zhang et al. · 在潜在世界模型中分离世界效应与动作影响，试图解决单一监督信号的混淆问题。理论上有意义，但摘要未展示其在具体机器人任务上的应用效果。
cs.AI
閱讀原文
VLA [Computer Science, New York University]
Lifting Embodied World Models for Planning and Control
Alex N. Wang et al. · 探讨如何提升具身世界模型以支持高维动作空间的规划与控制。侧重于理论框架的扩展，缺乏具体的 VLA 实现细节和基准对比。
cs.AI
閱讀原文
VLA [Quantegra Research]
The World Model Remembers, the Actor Forgets: Dream Rehearsal for Continual Model-Based RL
Gurp Nijjer · 针对持续强化学习中的灾难性遗忘，提出基于世界模型的记忆重演机制。虽涉及 RL，但主要贡献在算法层面，未特指 VLA 架构。
cs.LG
閱讀原文