VLA [Yeungnam University]
GaussVLA: Geometry-Aware Spatial Reasoning for Vision-Language-Action Model
Md Selim Sarowar et al. · 用3D高斯表征替代平面2D patch token与深度标量，为VLA提供几何感知空间推理，增强对表面朝向/空间关系的利用，直击空间泛化瓶颈。
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
- $R^3$: Training Robots to Reason in Natural Language via Reinforcement Learning 用RL奖励信号训练VLA在操作前生成自然语言推理链，把test-time compute用于分解/约束跟踪类长程任务，探索语言推理能否实质改善操作。对推理强化型VLA方向有参考。 HF-PAPER
- Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization 从人类视频以上下文方式建模世界与动作，新任务只需在上下文中指定而无需参数更新，实现零样本跨任务泛化，属WAM+人视频方向。 HF-PAPER
- GaussVLA: Geometry-Aware Spatial Reasoning for Vision-Language-Action Model [Yeungnam University] Md Selim Sarowar et al. · 用3D高斯表征替代平面2D patch token与深度标量，为VLA提供几何感知空间推理，增强对表面朝向/空间关系的利用，直击空间泛化瓶颈。 CS.RO
- CRESSim-Neo: A Batched GPU Simulation Engine for Surgical Robotics and Robot Learning [Department of Electrical and Computer Engineering] Yafei Ou et al. · GPU批处理手术仿真引擎，可同时模拟刚体/软组织/流体并带手术传感，面向手术机器人策略训练的数据规模化，属仿真基础设施。 CS.RO
- Longitudinal Robot Learning from Demonstration with Care Providers in a Home Environment [Georgia Institute of Technology] Nina Moorman et al. · 在真实居家环境让非专业照护人员纵向教授机器人技能，评估LfD的长期可用性，偏人机交互与部署研究而非VLA方法。 CS.RO
- A Taxonomy of Construction Task Activities for Robot Workers [University of California-Irvine] Sadman Sakib et al. · 系统整理建筑工地工人活动分类学，为VLA在施工部署建立任务-技能清单，属任务数据集/分析类工作，非新方法。 CS.RO
- RA-VLA: Retrieval-Augmented VLA for Test-Time Adaptation [POSTECH] Sanghwan Jang et al. · 测试时通过检索相关示例注入上下文，无需梯度更新即可让VLA适应新任务分布，弥补ICIL对检索质量的依赖。对快速部署VLA有直接可复用的检索增强管线。 CS.RO
- GaussianDream++: Efficient 3D Gaussian World Modeling for Robotic Manipulation [Tuojing Intelligence] Yuqing Jiang et al. · 用3D高斯世界模型增强VLA对度量几何与短期物理演化的监督，与GaussVLA同属几何/世界模型增强VLA的路线。 CS.RO
- LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation Jin Lou et al. · 在通用VLA动作预测基础上并行预测任务进度、事件与不确定性，为长程行为提供可解释的监控与反馈信号，属VLA辅助头设计类工作。 CS.RO
- TacForcing: Streaming Action Generation with Execution-Time Tactile Feedback [School of Computer Science, SJTU] Jianbo Zhou et al. · Chunk式VLA预测整个动作块时无法响应执行期间的接触变化，TacForcing用执行时触觉反馈做流式动作生成，直击接触丰富操作的动作时序适配难题，做触觉VLA值得精读。 CS.RO
- MA-VLA: Multi-Arm Vision-Language-Action Model for Collaboration and Compositional Generalization [Dalian University of Technology] Zaibin Zhang et al. · 将语言指令从单全局描述扩展为多臂分工描述，支持双臂独立/协作执行并在协作场景验证组合泛化，对双臂VLA策略设计有直接参考价值。 CS.RO
- VISTA: Visually Inferred Spatial ConTact Attention for Contact-Rich Manipulation [Tsinghua Shenzhen International Graduate School, Tsinghua University] Jiayi Chen et al. · 纯视觉推断空间接触注意力，把遮挡/细微形变下的接触状态显式建模进模仿学习策略，无需额外触觉传感器，对接触丰富操作的视觉表征有借鉴。 CS.RO
VLA 研究日報VLA 研究日报
共 28 篇
🔧 技術技术
VLA [POSTECH]
RA-VLA: Retrieval-Augmented VLA for Test-Time Adaptation
Sanghwan Jang et al. · 测试时通过检索相关示例注入上下文，无需梯度更新即可让VLA适应新任务分布，弥补ICIL对检索质量的依赖。对快速部署VLA有直接可复用的检索增强管线。
cs.RO
閱讀原文
VLA [School of Computer Science, SJTU]
TacForcing: Streaming Action Generation with Execution-Time Tactile Feedback
Jianbo Zhou et al. · Chunk式VLA预测整个动作块时无法响应执行期间的接触变化，TacForcing用执行时触觉反馈做流式动作生成，直击接触丰富操作的动作时序适配难题，做触觉VLA值得精读。
cs.RO
閱讀原文
VLA [Dalian University of Technology]
MA-VLA: Multi-Arm Vision-Language-Action Model for Collaboration and Compositional Generalization
Zaibin Zhang et al. · 将语言指令从单全局描述扩展为多臂分工描述，支持双臂独立/协作执行并在协作场景验证组合泛化，对双臂VLA策略设计有直接参考价值。
cs.RO
閱讀原文
VLA [S-Lab, Nanyang Technological University]
VLANeXt: Recipes for Building Strong VLA Models
Xiao-Ming Wu et al. · 系统实证研究VLA各组件的设计配方（backbone、视觉tokenizer、action head、数据配比等），为构建强VLA提供可复用设计准则，对VLA工作流有直接指导意义。
cs.AI
閱讀原文
📖 背景閱讀背景阅读
VLA
$R^3$: Training Robots to Reason in Natural Language via Reinforcement Learning
用RL奖励信号训练VLA在操作前生成自然语言推理链，把test-time compute用于分解/约束跟踪类长程任务，探索语言推理能否实质改善操作。对推理强化型VLA方向有参考。
hf-papers
閱讀原文
VLA
Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization
从人类视频以上下文方式建模世界与动作，新任务只需在上下文中指定而无需参数更新，实现零样本跨任务泛化，属WAM+人视频方向。
hf-papers
閱讀原文
VLA [Department of Electrical and Computer Engineering]
CRESSim-Neo: A Batched GPU Simulation Engine for Surgical Robotics and Robot Learning
Yafei Ou et al. · GPU批处理手术仿真引擎，可同时模拟刚体/软组织/流体并带手术传感，面向手术机器人策略训练的数据规模化，属仿真基础设施。
cs.RO
閱讀原文
VLA [Georgia Institute of Technology]
Longitudinal Robot Learning from Demonstration with Care Providers in a Home Environment
Nina Moorman et al. · 在真实居家环境让非专业照护人员纵向教授机器人技能，评估LfD的长期可用性，偏人机交互与部署研究而非VLA方法。
cs.RO
閱讀原文
VLA [University of California-Irvine]
A Taxonomy of Construction Task Activities for Robot Workers
Sadman Sakib et al. · 系统整理建筑工地工人活动分类学，为VLA在施工部署建立任务-技能清单，属任务数据集/分析类工作，非新方法。
cs.RO
閱讀原文
VLA [Tuojing Intelligence]
GaussianDream++: Efficient 3D Gaussian World Modeling for Robotic Manipulation
Yuqing Jiang et al. · 用3D高斯世界模型增强VLA对度量几何与短期物理演化的监督，与GaussVLA同属几何/世界模型增强VLA的路线。
cs.RO
閱讀原文
VLA
LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation
Jin Lou et al. · 在通用VLA动作预测基础上并行预测任务进度、事件与不确定性，为长程行为提供可解释的监控与反馈信号，属VLA辅助头设计类工作。
cs.RO
閱讀原文
VLA [Tsinghua Shenzhen International Graduate School, Tsinghua University]
VISTA: Visually Inferred Spatial ConTact Attention for Contact-Rich Manipulation
Jiayi Chen et al. · 纯视觉推断空间接触注意力，把遮挡/细微形变下的接触状态显式建模进模仿学习策略，无需额外触觉传感器，对接触丰富操作的视觉表征有借鉴。
cs.RO
閱讀原文
VLA [Xiaomi Embodied Intelligence Team]
One Policy, Many Embodiments: Unified Camera-Centric Action Geometry Pre-training for Heterogeneous Embodied Manipulation
Xiaomi Embodied Intelligence Team et al. · 提出以相机为中心的动作几何预训练，试图统一异构形态、相机配置与低级动作空间。标题宏大但摘要片段仅停留在问题陈述，技术细节不足，谨慎看待。
cs.RO
閱讀原文
VLA [Purdue University]
Fast Generative Grasping via Lie Group-Constrained MeanFlow
S. Talha Bukhari et al. · 用李群约束的MeanFlow做快速生成式抓取合成，显式编码SE(3)流形结构，输出多模态抓取分布，属生成式抓取子任务而非完整VLA。
cs.RO
閱讀原文
VLA [Harbin Institute of Technology]
Learning to Accelerate Vision-Language-Action Models through Adaptive Visual Token Caching
Yujie Wei et al. · 自适应视觉token缓存减少VLA推理时的视觉计算量，针对部署延迟瓶颈的推理效率优化，对上线VLA有工程参考价值。
cs.RO
閱讀原文
VLA
SANTS: A State-Adaptive Scheduler for World Action Models
Yirui Sun et al. · 观察到像素空间WAM的最优动作条件并非完全去噪视频，提出按状态自适应控制去噪程度来改善动作生成条件，属WAM训练细节优化。
cs.RO
閱讀原文
VLA [Independent Researcher]
RoboMME-Interference: Benchmarking Robot Memory Under Interference
Soumil Rathi · 新benchmark，评估机器人在多会话经验累积、受干扰时的长上下文记忆能力，填补部署场景机器人记忆评测缺口，属数据集/评测类工作。
cs.RO
閱讀原文
VLA [DeepLeap Research]
DELE-w0.5: Inferring Action from Future Latent State for Robotic Manipulation
Fenghao Lei et al. · 挑战WAM中视频生成是必要中间目标的假设，主张直接从未来潜在状态推断动作，简化世界动作建模管线，对WAM路线有方法论价值。
cs.RO
閱讀原文
VLA [Siemens]
Learning to Act While Waiting: RL Finetuning of Generalist Robot Policies Under Inference Latency
Brian Zhu et al. · 在推理延迟期间用RL继续改进通用策略，将大模型延迟劣势转化为训练增益，思路新奇的RL fine-tuning工作。
cs.RO
閱讀原文
VLA [Shanghai Key Lab of Intelligent Information Processing, College of Computer Science and Artificial Intelligence, Fudan University]
Trajectory-Level Continuous Action Representation for Robotic Manipulation
Tong Yang et al. · 提出轨迹级连续动作表示CAT，解耦动作表征与控制频率/固定时间参数化的纠缠，对跨平台动作输出统一有参考。
cs.RO
閱讀原文
VLA [Graduate School of Engineering, The University of Tokyo]
Temporally Centered SIGReg Improves LeWorldModel Representations for Robot Policy Learning
Chang Liu et al. · 对LeWorldModel的正则化项SIGReg做时间中心化改进，提升像素级世界模型表征稳定性，属规模较小的改进。
cs.RO
閱讀原文
VLA [Robotics Institute, Carnegie Mellon University]
Hierarchical Skill Retrieval for Data-Efficient Adaptation of Vision-Language-Action Models
Haoran Hao et al. · 分层技能检索把相关技能注入VLA适配过程，缓解少示范场景性能退化，与RA-VLA同属检索增强VLA路线但聚焦小样本适配。
cs.AI
閱讀原文
VLA [MAUM.AI]
PonderPounce: A Pretrained MLLM as an Episode Context Engine for Robot Control
Suhwan Choi et al. · 把预训练MLLM用作episode级上下文引擎，整合长视觉历史并在部分可观测条件下少样本推理来驱动控制，对长上下文VLA设计有借鉴。
cs.AI
閱讀原文
VLA [复旦]
VGGT-DP: Generalizable Robot Control via Vision Foundation Models
Shijia Ge et al. · 用视觉几何基础模型VGGT替换模仿学习策略的视觉骨干，目标改善空间泛化，对VLA视觉编码器选型有参考，但本身非VLA训练方法。
cs.AI
閱讀原文
VLA [Tianjin University]
ForceFlow: Learning to Feel and Act via Contact-Driven Flow Matching
Shuoheng Zhang et al. · 接触驱动流匹配让策略基于接触反馈生成动作，针对高精度力控的接触丰富操作，属触觉/力觉操作方向，可与TacForcing对照阅读。
cs.AI
閱讀原文
VLA [NUS Human-Centered Robotic Lab]
RARM: Confidence-Gated Progress Reward Modeling for RL in Manipulation
Pengzhi Yang et al. · 两阶段置信门控的进度奖励模型，为长程操作RL提供稠密进度信号，缓解稀疏奖励与手工reward泛化差问题，对VLA的RL精调有参考。
cs.AI
閱讀原文
VLA
PointRL: Learning Point-Level Vision-Language Grounding from Verifiable Annotation Evidence
Jingyang Su et al. · 从可验证注释证据学习点级VLM grounding，输出点坐标作为GUI/机器人操作的可执行接口，偏VLM基础能力而非完整策略方法。
cs.CV
閱讀原文