VLA [NVIDIA]
Hydra-0: Action Flow for Generalist World Modeling and Control
Hongyu Li et al. · 提出Hydra-0，一种基于动作流（像素运动）的通用世界模型与控制框架。统一了不同具身形态的世界建模接口，实现了跨平台迁移，解决了VLA泛化和跨具身迁移的核心瓶颈，且在多个基准表现优异。
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
- SONIC: Supersizing motion tracking for natural humanoid whole-body control [CMU] Zhengyi Luo et al. · 提出用于人形机器人全身控制的运动跟踪框架，侧重底层动力学与动作模仿。虽涉及具身智能，但非VLA高层语义规划或视觉语言对齐核心架构，属于底层控制层进展。 SCIENCE-
- Learning vision-driven reactive soccer skills for humanoid robots Yushi Wang et al. · 针对人形机器人足球场景的视觉驱动反应式技能学习。属于特定任务领域的RL/模仿学习应用，缺乏VLA通用的语义理解与长程规划能力，对通用VLA研究参考有限。 SCIENCE-
- Evolution of humanoid locomotion control Yan Gu et al. · 综述或研究人形机器人行走控制的演进。聚焦于底层运动控制算法，与Vision-Language-Action的高层语义决策关联度低，属于传统机器人学范畴。 SCIENCE-
- VLCP: Vision Language Control Policy Closed-Loop Code Replanning for Robot Manipulation [University of Monastir] Dhia Naouali et al. · 提出通过代码重规划实现VLA闭环控制的方法，避免微调损失推理能力。亮点在于利用LLM代码生成进行在线修正，为VLA部署提供可复用的工程路径，提升鲁棒性。 CS.RO
- PDDL-ART: Autonomous Symbolic Abstraction From Demonstration For Long-Horizon Robotic Manipulation Using Vision-Language Models [UNiversity of Michigan] Disha Kamale et al. · 利用VLM从演示中自动提取PDDL符号抽象，解决长程操作规划瓶颈。该方法将神经符号主义与VLA结合，提供了明确的长程任务分解工具，具有较高复用价值。 CS.RO
- Teach and Grow: An Agent-Centered Architecture for General Robot Learning [Shanghai Jiao Tong University] Chang Nie et al. · 提出以代理为中心的学习架构，旨在解决VLA在未知物理接触下的可靠性问题。通过交互式教学扩展策略覆盖范围，为VLA的持续学习和泛化提供了新的系统级思路。 CS.RO
- ORPA: Online Residual Policy Adaptation for Robot Manipulation Control with Human Feedback [National Institute of AIST Tokyo] Muhammad A. Muttaqien et al. · 引入人类反馈进行在线残差策略适应，修正ACT等模仿学习策略的分布偏移。方法直接针对VLA部署中的执行误差，提供了即插即用的在线优化模块，实用性强。 CS.RO
- MANIGUARD: A Benchmark and Data Suite for Specification-Grounded Safety Evaluation and Improvement of Robotic Manipulation [Northwestern University] Yiyan Peng et al. · 发布用于评估机器人操作安全性的基准数据集和框架。虽然重要，但属于数据/评测类工作，无新算法贡献，符合“值得了解”但不紧急的标准。 CS.RO
- Prism-GRPO: Faster VLA Policy Optimization via Splitting Same-outcome Groups [Purdue University West Lafayette] Zeyun Deng et al. · 改进GRPO算法以加速VLA策略优化，通过分割同结果组降低采样成本。直接解决VLA强化学习训练效率痛点，代码/方法易于集成到现有RLHF流程中。 CS.RO
- EATR-Stereo: Embodiment-Aware Routing of Paired Stereo Evidence for Humanoid Vision-Language-Action Control [Harbin Institute of Technology] Songwei Wu et al. · 提出面向人形机器人的双目光束路由机制，优化VLA对立体视觉信息的利用。针对头部安装相机的特定视角问题，提供了具体的多模态融合改进方案，适用于双臂/人形VLA。 CS.RO
- Reuse Before You Retrieve: Diagnosing Headroom and Complementarity for Test-Time Augmentation of Embodied Multimodal Policies [KAIST] Yuhwan Jeong et al. · 分析测试时增强（TTA）中重用与检索的策略选择，诊断VLA策略的提升空间。提供关于何时使用外部演示或内部采样的实证洞见，指导VLA部署时的推理优化。 CS.RO
- Calibrated Predictive Safety for Heterogeneous Robots: An Action-Conditioned JEPA Framework with Model-Based Safety Shields [Guangdong Bifang Intelligent Control Technology Co., Ltd] Kaiming Zhong et al. · 结合JEPA世界模型与基于模型的防护盾，为VLA提供校准后的预测安全性保障。解决了VLA缺乏执行保证的问题，提出了混合架构的安全控制方案，具有工程落地价值。 CS.RO
VLA 研究日報VLA 研究日报
共 38 篇
⚡ 突破
🔧 技術技术
VLA [University of Monastir]
VLCP: Vision Language Control Policy Closed-Loop Code Replanning for Robot Manipulation
Dhia Naouali et al. · 提出通过代码重规划实现VLA闭环控制的方法，避免微调损失推理能力。亮点在于利用LLM代码生成进行在线修正，为VLA部署提供可复用的工程路径，提升鲁棒性。
cs.RO
閱讀原文
VLA [UNiversity of Michigan]
PDDL-ART: Autonomous Symbolic Abstraction From Demonstration For Long-Horizon Robotic Manipulation Using Vision-Language Models
Disha Kamale et al. · 利用VLM从演示中自动提取PDDL符号抽象，解决长程操作规划瓶颈。该方法将神经符号主义与VLA结合，提供了明确的长程任务分解工具，具有较高复用价值。
cs.RO
閱讀原文
VLA [Shanghai Jiao Tong University]
Teach and Grow: An Agent-Centered Architecture for General Robot Learning
Chang Nie et al. · 提出以代理为中心的学习架构，旨在解决VLA在未知物理接触下的可靠性问题。通过交互式教学扩展策略覆盖范围，为VLA的持续学习和泛化提供了新的系统级思路。
cs.RO
閱讀原文
VLA [National Institute of AIST Tokyo]
ORPA: Online Residual Policy Adaptation for Robot Manipulation Control with Human Feedback
Muhammad A. Muttaqien et al. · 引入人类反馈进行在线残差策略适应，修正ACT等模仿学习策略的分布偏移。方法直接针对VLA部署中的执行误差，提供了即插即用的在线优化模块，实用性强。
cs.RO
閱讀原文
VLA [Purdue University West Lafayette]
Prism-GRPO: Faster VLA Policy Optimization via Splitting Same-outcome Groups
Zeyun Deng et al. · 改进GRPO算法以加速VLA策略优化，通过分割同结果组降低采样成本。直接解决VLA强化学习训练效率痛点，代码/方法易于集成到现有RLHF流程中。
cs.RO
閱讀原文
VLA [Harbin Institute of Technology]
EATR-Stereo: Embodiment-Aware Routing of Paired Stereo Evidence for Humanoid Vision-Language-Action Control
Songwei Wu et al. · 提出面向人形机器人的双目光束路由机制，优化VLA对立体视觉信息的利用。针对头部安装相机的特定视角问题，提供了具体的多模态融合改进方案，适用于双臂/人形VLA。
cs.RO
閱讀原文
VLA [KAIST]
Reuse Before You Retrieve: Diagnosing Headroom and Complementarity for Test-Time Augmentation of Embodied Multimodal Policies
Yuhwan Jeong et al. · 分析测试时增强（TTA）中重用与检索的策略选择，诊断VLA策略的提升空间。提供关于何时使用外部演示或内部采样的实证洞见，指导VLA部署时的推理优化。
cs.RO
閱讀原文
VLA [Guangdong Bifang Intelligent Control Technology Co., Ltd]
Calibrated Predictive Safety for Heterogeneous Robots: An Action-Conditioned JEPA Framework with Model-Based Safety Shields
Kaiming Zhong et al. · 结合JEPA世界模型与基于模型的防护盾，为VLA提供校准后的预测安全性保障。解决了VLA缺乏执行保证的问题，提出了混合架构的安全控制方案，具有工程落地价值。
cs.RO
閱讀原文
VLA [Technical University of Munich]
CompCPZ: Preserving Multi-Modal Intent in Language-Guided Robot Manipulation
Zhen Zhang et al. · 解决VLA在处理逻辑连接词（如“或”）时的语义失败问题，保留多模态意图。针对VLA语言理解的结构性缺陷提出改进，提升了复杂指令下的操作准确性。
cs.RO
閱讀原文
VLA [Tsinghua Shenzhen International Graduate School, Tsinghua University]
ManiCM: Real-time 3D Diffusion Policy via Consistency Model for Robotic Manipulation
Zifeng Gao et al. · 利用一致性模型加速3D扩散策略推理，实现实时机器人操作。显著降低Diffusion Policy的计算延迟，解决了扩散模型在实时控制中的部署瓶颈，工程价值高。
cs.RO
閱讀原文
VLA [National Institute of AIST Tokyo]
Visual Prompting for Robotic Manipulation with Annotation-Guided Pick-and-Place Using ACT
Muhammad A. Muttaqien et al. · 结合视觉提示和标注引导改进ACT在密集场景下的抓取性能。通过简单的提示工程增强VLA的空间定位能力，方法轻量且易于在现有ACT模型上实施。
cs.RO
閱讀原文
VLA [Shenzhen University]
Bootstrap Dynamic-Aware 3D Visual Representation for Scalable Robot Learning
Qiwei Liang et al. · 提出动态感知的3D视觉表征预训练方法，弥补识别与操作间的差距。通过建模状态-动作-状态动力学，提升VLA对物理交互的理解，是有效的表征学习改进。
cs.RO
閱讀原文
VLA [School of Intelligent Engineering and Automation, Beijing University of Posts and Telecommunications (BUPT)]
KAN We Flow? Advancing Robotic Manipulation with 3D Flow Matching via KAN & RWKV
Zhihao Chen et al. · 结合KAN和RWKV优化3D流匹配策略，提升推理效率并减少UNet依赖。为扩散/流匹配类VLA策略提供新的骨干网络选择，旨在解决资源受限设备上的部署问题。
cs.RO
閱讀原文
VLA [Stanford University]
EXPO-FT: Sample-Efficient Reinforcement Learning Finetuning for Vision-Language-Action Models
Perry Dong et al. · 提出样本高效的RL微调方法EXPO-FT，用于优化VLA策略。针对VLA预训练后适应新任务的数据稀缺问题，提供了高效的精调范式，直接提升SOTA潜力。
cs.RO
閱讀原文
VLA [Hong Kong University of Science and Technology (Guangzhou) Shenzhen University]
Action-Effect Memory Pretraining for Robot Manipulation
Yijing Zhou et al. · 提出动作-效应记忆预训练框架，学习紧凑的时间表征。不同于单帧视觉预训练，该方法强调历史动作与结果的关联，增强了VLA对时序物理因果的理解。
cs.RO
閱讀原文
VLA [Nanchang University]
ReTouch: Empowering Contact-Rich Dexterous Manipulation with Online-Refined Tactile Prediction
Shiqi Zhang et al. · 针对触觉丰富的灵巧操作，提出在线 refine 的触觉预测方法。填补了VLA中触觉模态融合的空白，提升了接触密集任务的精度，符合重点研究方向。
cs.RO
閱讀原文
VLA [Huazhong University of Science and Technology]
LoopVLA: Learning Sufficiency in Recurrent Refinement for Vision-Language-Action Models
Boyang Shen et al. · 提出循环细化机制，让VLA根据任务难度自适应决定推理深度。解决了固定深度网络的计算冗余问题，通过早期退出或迭代 refinement 提升效率与精度平衡。
cs.RO
閱讀原文
VLA [Tsinghua Shenzhen International Graduate School, Tsinghua University, China]
SAFE-Pruner: Semantic Attention-Guided Future-Aware Token Pruning for Efficient Vision-Language-Action Manipulation
Shilin Ma et al. · 提出基于语义注意力和未来感知的Token剪枝方法，加速VLA推理。直接针对VLA计算量大、延迟高的问题，提供即插即用的加速模块，工程实用性强。
cs.RO
閱讀原文
VLA [Stanford University]
Q-Learning With World Models
Perry Dong et al. · 探索在世界模型中进行Q-learning以提升样本效率，适用于VLA微调。将经典RL与世界模型结合，为VLA的后训练阶段提供了理论支持和潜在的高效算法路径。
cs.AI
閱讀原文
VLA [Department of Computing , Imperial College London , London , United Kingdom]
Seeing is Free, Speaking is Not: Uncovering the True Energy Bottleneck in Edge VLM Inference
Junfei Zhan et al. · 揭示边缘端VLM推理的能量瓶颈主要在文本生成而非视觉编码。为VLA系统的能效优化提供了关键洞见，指导硬件加速和模型压缩的重点方向。
cs.AI
閱讀原文
VLA
No Gaussian Required: Contrastive Inverse Dynamics for JEPA World Models
提出无需高斯假设的对比逆动力学方法，用于JEPA世界模型。改进了世界模型的训练目标，避免了崩溃问题，为VLA的世界模型组件提供了更稳健的基础。
hf-papers
閱讀原文
VLA [State Key Laboratory of Intelligent Manufacturing Equipment and Technology, School of Mechanical Science and Engineering, Huazhong University of Science and Technology]
Physics-Informed Sliding-Window Particle Filtering for Tactile-Only In-Hand 6-DoF Object Pose Refinement
Lingjun Shao et al. · 提出仅靠触觉信号的粒子滤波方法， refine 手中物体位姿。解决了视觉遮挡下的精确操作难题，是触觉VLA的重要补充技术，具有明确的模块复用价值。
cs.RO
閱讀原文
VLA [Shenyang Pharmaceutical University]
Towards Zero-Shot Task Transfer with Neurosymbolic World Models
Isidoro Tamassia et al. · 利用神经符号世界模型实现零样本任务迁移。结合了符号规划的泛化性与神经网络的感知力，为VLA的零样本适应能力提供了可行的架构方案。
cs.AI
閱讀原文
VLA [Sungkyunkwan University]
NPU Offloading of a Frozen Visual Encoder for Robot Policy Training
Hyojun Yun et al. · 提出将冻结视觉编码器卸载至NPU以加速策略训练的工程方案。针对VLA训练中的计算瓶颈，提供具体的硬件加速与内存优化技巧，极具工程复用价值。
cs.LG
閱讀原文
📖 背景閱讀背景阅读
VLA [CMU]
SONIC: Supersizing motion tracking for natural humanoid whole-body control
Zhengyi Luo et al. · 提出用于人形机器人全身控制的运动跟踪框架，侧重底层动力学与动作模仿。虽涉及具身智能，但非VLA高层语义规划或视觉语言对齐核心架构，属于底层控制层进展。
Science-Robotics
閱讀原文
VLA
Learning vision-driven reactive soccer skills for humanoid robots
Yushi Wang et al. · 针对人形机器人足球场景的视觉驱动反应式技能学习。属于特定任务领域的RL/模仿学习应用，缺乏VLA通用的语义理解与长程规划能力，对通用VLA研究参考有限。
Science-Robotics
閱讀原文
VLA
Evolution of humanoid locomotion control
Yan Gu et al. · 综述或研究人形机器人行走控制的演进。聚焦于底层运动控制算法，与Vision-Language-Action的高层语义决策关联度低，属于传统机器人学范畴。
Science-Robotics
閱讀原文
VLA [Northwestern University]
MANIGUARD: A Benchmark and Data Suite for Specification-Grounded Safety Evaluation and Improvement of Robotic Manipulation
Yiyan Peng et al. · 发布用于评估机器人操作安全性的基准数据集和框架。虽然重要，但属于数据/评测类工作，无新算法贡献，符合“值得了解”但不紧急的标准。
cs.RO
閱讀原文
VLA [LIBERO Team]
LIBERO-VIFO: Benchmarking the Capability and Safety of Visual Cue Following in Vision-Language-Action Models
Zhengyan Qian et al. · 发布LIBERO-VIFO基准，评估VLA遵循视觉线索的能力与安全性。属于评测基准工作，有助于发现VLA在指令跟随上的缺陷，但本身不提供新算法。
cs.RO
閱讀原文
VLA
EmbodiedGen V2: An Agentic, Simulation-Ready 3D World Engine for Embodied AI
Xinjie Wang et al. · 发布EmbodiedGen V2仿真引擎，支持生成可执行的3D任务环境。作为基础设施工具，对数据生成和Sim2Real有价值，但属于数据集/工具类，非核心算法突破。
cs.RO
閱讀原文
VLA
An Omitted Mode Is a Rare Rule: The Sampling-Verification Danger Law in Continuous Code World Models
理论分析连续代码世界模型中的采样验证风险。虽涉及世界模型，但偏向理论风险分析，缺乏具体的VLA应用路径或实验验证，适合了解背景。
hf-papers
閱讀原文
VLA
Towards Unified World Models for Visual Navigation via Memory-Augmented Planning and Foresight
Yifei Dong et al. · 结合记忆增强规划与前瞻能力的视觉导航世界模型。侧重导航而非操作，且为渐进式改进，未触及VLA核心架构变革，归为值得了解。
cs.RO
閱讀原文
VLA [Nanjing University of Science and Technology]
Magnitude-Direction Decoupling for Fast Video Generation with Flow Matching Models
Haonan Xu et al. · 视频生成领域的流匹配优化方法，虽可能间接影响VLA视觉部分，但无直接机器人操作应用证据，属于相邻领域进展。
cs.CV
閱讀原文
VLA [UCLA]
WorldBench: Benchmarking Physical Understanding of World Models by Isolating Physics Concepts
Rishi Upadhyay et al. · 发布WorldBench基准，隔离物理概念以评估世界模型的物理理解能力。属于评测基准工作，对VLA世界模型组件的评估有参考价值，但无新算法。
cs.CV
閱讀原文
VLA [Odyssey]
CaliBench: Are the Stochastic Dynamics of Video World Models Physically Calibrated?
Jonathan Sadeghi et al. · 发布CaliBench基准，评估视频世界模型的随机动力学物理校准程度。属于评测基准，帮助量化VLA世界模型的物理真实性，非核心方法创新。
cs.LG
閱讀原文
VLA [Unitree]
Morphology-Conditioned World Model for Cross-Embodiment Quadrupedal Locomotion
Mohamad H. Danesh et al. · 针对四足机器人的形态条件世界模型，侧重移动而非操作。虽涉及跨具身，但应用场景局限，对通用VLA操作研究的直接参考有限。
cs.LG
閱讀原文
VLA [RhOS.ai]
Population-Scalable Multi-Agent World Modeling
Renjie Zhao et al. · 研究多智能体环境下的可扩展世界模型。侧重多智能体协作与规模扩展，非单臂/双臂VLA操作核心，属于相关但非紧迫的研究方向。
cs.LG
閱讀原文