VLA
DeVA: Decoupled Video-Action Model with physical guidance for robot policy learning
提出解耦的视频-动作架构，引入物理引导以增强对场景演变的预测能力。相比静态预训练目标，该方法提升了策略在动态环境中的泛化性，为VLA时序建模提供了新视角。
hf-papers
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
- DeVA: Decoupled Video-Action Model with physical guidance for robot policy learning 提出解耦的视频-动作架构，引入物理引导以增强对场景演变的预测能力。相比静态预训练目标，该方法提升了策略在动态环境中的泛化性，为VLA时序建模提供了新视角。 HF-PAPER
- A Motion-Aware Vector Quantization Framework with Centroid Reuse for Efficient VLA Inference 针对VLA推理延迟高的问题，提出运动感知的矢量量化框架及质心复用机制。显著降低GPU显存占用与计算冗余，为边缘端实时部署VLA模型提供了可复用的工程优化方案。 HF-PAPER
- Decompose and Reorganize: Planning with Primitives and Visuomotor Policies Learned from Demonstrations [The University of Hong Kong] Yizhou Chen et al. · 结合符号规划（TAMP）与视觉运动策略，通过原语分解解决长视界操作难题。虽涉及VLA相关概念，但核心贡献在于分层规划框架，缺乏明确的端到端VLA架构创新或大规模基准对比。 CS.RO
- A Causality-aware Infer-diagnose-refine Framework for Test-time Modality Adaptation in VLA Models [Beijing Institute of Technology] Haoyu Zhang et al. · 提出因果感知的测试时模态适应框架，通过推断-诊断- refine循环解决多模态融合难题。该方法无需重新训练即可提升VLA在分布外数据上的鲁棒性，具有明确的即插即用价值。 CS.RO
- P3: Probabilistic Policy Propagation for Stable VAE-Based Robot Learning [Hubei University of Technology] Liyun Yan et al. · 解决VAE随机潜在空间与PPO策略优化之间的不匹配问题，提出概率策略传播方法。主要贡献在于强化学习稳定性改进，虽适用于机器人，但未直接针对VLA架构或语言条件进行优化。 CS.RO
- When Does Legacy Data Start to Help? Emergent Transfer in Cross-Configuration Robot Learning [北大] Tao Wang et al. · 探讨硬件升级后遗留演示数据的迁移价值，分析跨配置学习的涌现现象。属于数据效率与迁移学习的实证研究，虽对VLA数据构建有启发，但非方法论层面的直接创新。 CS.RO
- Tri-Manual Visuomotor Imitation Learning of Robot Policies James Zhao et al. · 针对三臂系统提出视觉运动模仿学习方法，突破双臂遥操作的数据收集限制。专注于特定硬件构型的控制策略，缺乏通用VLA模型的架构贡献或广泛基准验证。 CS.RO
- HiFi-UMI: Learning Deployable Manipulation Policies from High-Fidelity UMI Data Alone [Simple AI] Simple AI et al. · 探索仅使用高保真UMI（无真实机器人）数据训练可部署策略的方法，解决真实数据采集成本高的问题。为VLA数据合成与Sim-to-Real迁移提供了新的数据利用路径和实验基准。 CS.RO
- SAM3D-Guided Object-Centric Representation Alignment for Vision-Language-Action Models [港大|中科院] Zonghe Liu et al. · 利用SAM3D引导VLA模型进行以物体为中心的表示对齐，增强对遮挡和姿态变化的3D理解能力。通过引入细粒度3D先验，直接提升了VLA在复杂视觉场景下的操作精度。 CS.RO
- S2A2: Audio-Visual Imitation Learning for Manipulation Tasks Using Acoustic Spatial Information [Kyoto University] Kaneyoshi Hiratsuka et al. · 引入听觉空间信息辅助视觉模仿学习，拓展了多模态输入维度。虽具创新性，但主要聚焦于声学线索的利用，未深入探讨其在主流VLA架构中的通用集成方式或大规模基准表现。 CS.RO
- A context-adaptive policy framework for robust and reactive robotic manipulation via uncertainty-aware imitation learning [German Aerospace Center (DLR), Robotics and Mechatronics Center (RMC)] Tim R. Winter et al. · 提出基于不确定性感知的上下文自适应策略框架，增强操作的鲁棒性。属于传统模仿学习的改进，缺乏与VLA语言-视觉-动作范式的深度结合或最新基准验证。 CS.RO
- CycleVLA: Proactive Self-Correcting Vision-Language-Action Models via Subtask Backtracking and Minimum Bayes Risk Decoding [Department of Computer Science, University of Oxford] Chenyang Ma et al. · 引入子任务回溯和最小贝叶斯风险解码，赋予VLA模型主动自我修正能力。解决了传统VLA错误累积问题，提供了可复用的推理阶段纠错机制，显著提升长视界任务成功率。 CS.RO
VLA 研究日報VLA 研究日报
共 25 篇
🔧 技術技术
VLA
A Motion-Aware Vector Quantization Framework with Centroid Reuse for Efficient VLA Inference
针对VLA推理延迟高的问题，提出运动感知的矢量量化框架及质心复用机制。显著降低GPU显存占用与计算冗余，为边缘端实时部署VLA模型提供了可复用的工程优化方案。
hf-papers
閱讀原文
VLA [Beijing Institute of Technology]
A Causality-aware Infer-diagnose-refine Framework for Test-time Modality Adaptation in VLA Models
Haoyu Zhang et al. · 提出因果感知的测试时模态适应框架，通过推断-诊断- refine循环解决多模态融合难题。该方法无需重新训练即可提升VLA在分布外数据上的鲁棒性，具有明确的即插即用价值。
cs.RO
閱讀原文
VLA [Simple AI]
HiFi-UMI: Learning Deployable Manipulation Policies from High-Fidelity UMI Data Alone
Simple AI et al. · 探索仅使用高保真UMI（无真实机器人）数据训练可部署策略的方法，解决真实数据采集成本高的问题。为VLA数据合成与Sim-to-Real迁移提供了新的数据利用路径和实验基准。
cs.RO
閱讀原文
VLA [港大|中科院]
SAM3D-Guided Object-Centric Representation Alignment for Vision-Language-Action Models
Zonghe Liu et al. · 利用SAM3D引导VLA模型进行以物体为中心的表示对齐，增强对遮挡和姿态变化的3D理解能力。通过引入细粒度3D先验，直接提升了VLA在复杂视觉场景下的操作精度。
cs.RO
閱讀原文
VLA [Department of Computer Science, University of Oxford]
CycleVLA: Proactive Self-Correcting Vision-Language-Action Models via Subtask Backtracking and Minimum Bayes Risk Decoding
Chenyang Ma et al. · 引入子任务回溯和最小贝叶斯风险解码，赋予VLA模型主动自我修正能力。解决了传统VLA错误累积问题，提供了可复用的推理阶段纠错机制，显著提升长视界任务成功率。
cs.RO
閱讀原文
VLA [HKU]
Can Vision-Language-Action Models Learn from Real-World Data Continually without Forgetting?
Jiarun Zhu et al. · 系统评估VLA模型在真实世界数据上的持续学习能力，分析灾难性遗忘问题。提供了关于VLA在线更新和数据回放策略的关键洞见，对部署实践具有重要指导意义。
cs.RO
閱讀原文
VLA [Robotics Institute, Beihang University, Beijing, China]
InDex: Empowering VLA Models with Intent-Conditioned Arm-Hand Coordination for Dexterous Manipulation
Chuanke Pang et al. · 提出意图条件的臂手协调机制，解决VLA并行夹爪接口无法直接控制灵巧手的问题。通过解耦高层意图与底层执行，显著提升了VLA在灵巧操作任务中的适用性和性能。
cs.RO
閱讀原文
VLA [LIBERO Team]
CoTinyVLA: Chain-of-Thought Distillation for a Sub-Billion-Parameter Vision-Language-Action Model
Minhyeok Lee et al. · 通过思维链蒸馏技术，将大型VLA模型压缩至十亿参数以下，同时保持LIBERO-Plus基准上的鲁棒性。为资源受限设备上的VLA部署提供了高效、可复用的轻量化解决方案。
cs.AI
閱讀原文
📖 背景閱讀背景阅读
VLA [The University of Hong Kong]
Decompose and Reorganize: Planning with Primitives and Visuomotor Policies Learned from Demonstrations
Yizhou Chen et al. · 结合符号规划（TAMP）与视觉运动策略，通过原语分解解决长视界操作难题。虽涉及VLA相关概念，但核心贡献在于分层规划框架，缺乏明确的端到端VLA架构创新或大规模基准对比。
cs.RO
閱讀原文
VLA [Hubei University of Technology]
P3: Probabilistic Policy Propagation for Stable VAE-Based Robot Learning
Liyun Yan et al. · 解决VAE随机潜在空间与PPO策略优化之间的不匹配问题，提出概率策略传播方法。主要贡献在于强化学习稳定性改进，虽适用于机器人，但未直接针对VLA架构或语言条件进行优化。
cs.RO
閱讀原文
VLA [北大]
When Does Legacy Data Start to Help? Emergent Transfer in Cross-Configuration Robot Learning
Tao Wang et al. · 探讨硬件升级后遗留演示数据的迁移价值，分析跨配置学习的涌现现象。属于数据效率与迁移学习的实证研究，虽对VLA数据构建有启发，但非方法论层面的直接创新。
cs.RO
閱讀原文
VLA
Tri-Manual Visuomotor Imitation Learning of Robot Policies
James Zhao et al. · 针对三臂系统提出视觉运动模仿学习方法，突破双臂遥操作的数据收集限制。专注于特定硬件构型的控制策略，缺乏通用VLA模型的架构贡献或广泛基准验证。
cs.RO
閱讀原文
VLA [Kyoto University]
S2A2: Audio-Visual Imitation Learning for Manipulation Tasks Using Acoustic Spatial Information
Kaneyoshi Hiratsuka et al. · 引入听觉空间信息辅助视觉模仿学习，拓展了多模态输入维度。虽具创新性，但主要聚焦于声学线索的利用，未深入探讨其在主流VLA架构中的通用集成方式或大规模基准表现。
cs.RO
閱讀原文
VLA [German Aerospace Center (DLR), Robotics and Mechatronics Center (RMC)]
A context-adaptive policy framework for robust and reactive robotic manipulation via uncertainty-aware imitation learning
Tim R. Winter et al. · 提出基于不确定性感知的上下文自适应策略框架，增强操作的鲁棒性。属于传统模仿学习的改进，缺乏与VLA语言-视觉-动作范式的深度结合或最新基准验证。
cs.RO
閱讀原文
VLA [TU Darmstadt]
Nautilus: From One Prompt to Plug-and-Play Robot Learning
Yufeng Jin et al. · 旨在简化机器人学习工程的碎片化问题，提供提示驱动的插件式学习框架。侧重于工程基础设施和接口标准化，而非VLA核心算法或模型架构的创新。
cs.RO
閱讀原文
VLA [Shanghai AI Laboratory]
RoboProcessBench: Benchmarking Process-Aware Understanding in Vision-Language Robotic Manipulation
Dayu Xia et al. · 发布RoboProcessBench基准，评估VLM在操作过程中的过程感知能力。作为数据集/基准论文，虽重要但不紧急，主要用于后续方法评估，本身不提供新的VLA架构或训练范式。
cs.RO
閱讀原文
VLA [Independent Researcher]
RoboMME-Interference: Benchmarking Robot Memory Under Interference
Soumil Rathi · 提出RoboMME-Interference基准，专门测试机器人在干扰下的长期记忆能力。属于评估工具类工作，填补了VLA记忆鲁棒性评估的空白，但非方法学创新。
cs.RO
閱讀原文
VLA [Huawei Noah’s Ark Lab]
RoboHarness: Memory-Driven Orchestration of Heterogeneous Robot Policies for Long-Horizon Planning
Jinbang Huang et al. · 提出基于记忆的异构策略编排框架，用于长视界规划。虽涉及VLA应用，但核心在于策略调度与记忆管理，属于上层控制系统，未触及VLA底层表征或动作生成的根本改进。
cs.RO
閱讀原文
VLA [NVIDIA]
Towards Embodied Cognition in Robots via Spatially Grounded Synthetic Worlds
Joel Currie et al. · 探讨通过空间接地合成世界训练VLM实现具身认知（如视觉观点采择）。偏向认知科学与仿真环境构建，距离具体的VLA操作策略学习尚有距离，且缺乏真实机器人验证。
cs.RO
閱讀原文
VLA [State Key Laboratory of CAD&CG, Zhejiang University]
INTACT: Isomorphic Intent-to-Action Learning for Search-Free World Models
Junhan Sun et al. · 提出无搜索的世界模型JEPA架构，实现从意图到动作的同构学习。虽与VLA有重叠，但更侧重世界模型的理论构建，未明确展示其在标准VLA操作基准上的SOTA性能或架构整合。
cs.RO
閱讀原文
VLA [Hong Kong Baptist University]
VisualPatchWorld: Code World Models as Latent Structured Representations for Planning
Jiaxin Bai et al. · 将代码世界模型作为潜在结构化表示用于规划，探索世界模型的新形式。属于基础表示学习研究，与VLA的直接应用路径尚不明确，缺乏针对操作任务的专项优化。
cs.RO
閱讀原文
VLA [Hong Kong Baptist University]
Temporal-Distance JEPA: Plan-Aware Representation Learning for Latent World Model Predictive Control
Jiaxin Bai et al. · 提出时间距离JEPA用于潜在世界模型预测控制，优化表示学习。主要贡献在于RL与世界模型的结合，未直接针对VLA的多模态对齐或动作生成进行创新。
cs.RO
閱讀原文
VLA [School of Informatics, University of Edinburgh]
BayesContact: Uncertain Pose Estimation via Visuo-Tactile Proposals and Simulation-based Inference
Aditya Kamireddypalli et al. · 结合视觉-触觉信息进行不确定位姿估计，服务于接触丰富操作。虽属触觉VLA相邻方向，但核心是状态估计而非端到端策略学习，且依赖仿真推断，离通用VLA部署仍有距离。
cs.RO
閱讀原文
VLA [Tongji University]
Reinformed Dreamer: An Asymmetric World Model Efficiently Trained through Latent Guidance
Gaspard Lambrechts et al. · 提出非对称世界模型Dreamer变体，通过潜在引导提高训练效率。虽可用于机器人RL，但属于通用RL算法改进，未针对VLA架构或语言条件进行特异性优化。
cs.LG
閱讀原文