Xiwen Dengxiong et al. · 面向接触丰富任务的遥操作系统，提供高稳定、高精度的高频触觉反馈以采集高质量机器人数据。做触觉 VLA 时可直接复用的数据采集链路。
Muchun Niu et al. · 将稠密 VLA 策略的 LLM 侧参数稀疏化为 MoE，在保住性能的前提下压缩部署规模。面向资源受限机器人平台的 VLA 压缩与端侧部署可直接复用。
Hyesung Lee et al. · 用人类视频引导仿真生成带指尖触觉的机器人示教，训练统一的视触觉灵巧操作策略。为触觉 VLA 提供低成本数据合成与视触觉统一编码思路。
Zhenyang Feng et al. · 指出 VLA 在动态操作中的两个表征缺陷（推理只用单帧观测），引入时序上下文学习让策略预判物体运动。适用于动态抓取、接取等非准静态任务。
Tobias Schaffer et al. · 复用 VLA 的视觉表征与成功示教构造内在奖励，实现自主评估与策略自我改进。为 VLA 自监督奖励建模与 RL 精调提供可直接套用的范式。
Andrew S. Morgan et al. · Science Robotics 报道的低惯量双臂机器人硬件平台，面向高速动态操作场景，重点在机械设计与动力学性能而非学习算法。
Zuxing Lu et al. · 系统梳理世界-动作模型（WAM）：联合建模视觉动力学与动作以在部分可观测、物理约束下做预测式控制，是该方向有价值的入门地图。
Peiqi Yu et al. · 神经符号框架，用任务条件几何契约替代端到端视motor策略，实现免示教、可组合的操作；思路偏符号规划，与 VLA 学习范式路径不同。
Junle Li et al. · 指出 VLA 的空间能力完全来自数据而非几何先验，提出对称性感知的 VLA 设计以提升几何泛化与数据效率；属架构层面的增量改进。
Zhuo Li et al. · 把预训练世界-动作先验迁移到人形全身 loco-manipulation，用全身控制接地协调视觉动力学与动作；世界模型与人形移动操作交叉方向。
Sami Haddadin et al. · 立场文章：主张 Physical AI 的核心科学资源不是原始机器人数据而是与物理世界持续交互获得的知识，讨论数据工厂式采集与组织范式。
Bo Kang · 对 ACT 中 CVAE 消融实验做可复现性复查，质疑条件变分编码器在训练中是否真正起作用，提醒使用者重新审视这一被广泛沿用的设计。
Hongjie Fang et al. · 提出视觉本体依赖（VED）现象，通过线索冲突干预实验证明视motor策略会利用本体外观线索预测动作，并给出度量与解耦思路。
Zeyuan Huang et al. · 综述 AI、机器人学习与具身基础模型在空间机器人长周期、接触丰富、多阶段操作中的应用、挑战与展望，属场景型综述。
Tingcong Liu et al. · 把语言与视觉上下文映射为软体/连续体机器人的分布式全身形变驱动，实现全身交互式操作；软体机器人场景较窄。
Yinhao Li et al. · 面向 VLA、世界-动作模型与离线 RL 的一站式工程平台，统一训练与部署接口，降低从算法到可靠机器人系统的工程成本。
Fabian Harlacher et al. · 面向工业装配序列规划，从 CAD 模型学习几何-语义关系并做符号规划以规避组合爆炸，属传统任务规划而非学习式操作策略。
Ning Hu et al. · 在仅 15 条示教下考察训练期运动先验正则（最小 jerk、速度曲率等）对扩散策略插入成功率的影响，属数据稀缺场景的调参式实证研究。
Svetoslav Kolev et al. · 腕戴压力传感阵列从手腕信号反推全手姿态与接触力，面向交互计算与 VR，同时可为机器人学习提供高保真人类触觉示教。
Gopi Krishna Erabati et al. · 面向自主轮式装载机的空间接地 VLA，结合 Qwen3-2B VLM、本体感知与 3D 场景几何做任务推理，属工程机械场景的特化应用。
Yifan Xie et al. · 从无标注人类视频学习几何接地的潜在动作表征，解耦操作相关运动与外观/相机运动变化，为跨本体动作迁移提供基础模块。
Wenlong Xia et al. · 在扩散策略中引入隐式场景监督，用行为的几何后果约束纯动作模仿，提升视觉模仿学习的空间泛化能力。
Cuijie Xu et al. · 系统比较接触丰富遥操作日志中机器人执行信号(E)与主端指令(C)对策略学习的影响，指出二者不可互换并给出策略 I/O 设计建议。
Haoran Ding et al. · 研究预训练视觉基础模型与小策略模型的协同方式，缓解小策略对物体与背景外观变化的敏感性。
Mathilde Kappel et al. · 用质量-多样性（QD）搜索探索多样化轨迹基元，面向铰接物体的自主操作，属探索式运动生成而非 VLA 策略学习。
Zhi Wang et al. · 仅用数分钟人类第一视角视频实现零样本机器人技能迁移，通过外观与运动学对齐缓解本体差异，是人到机器人数据复用方向的代表工作。
Boyang Zhang et al. · 为 VLA 引入奖励引导的多路径潜在推理，在测试时扩展推理深度而不付出显式 CoT 的 token 生成延迟，针对长程控制脆弱性。
Jing Lyu et al. · 实证发现世界-动作模型中去噪过程的视觉内容先收敛，据此把交互中心动力学蒸馏为一步去噪，降低闭环控制延迟。
Zirui Zheng et al. · 为动作条件世界模型加入记忆机制，解决长时段场景中物体离开视野后状态丢失的问题，生成动作一致的持久视频推演。
Pablo Valle et al. · 为 VLA 模型自动生成多智能体测试预言，替代人工编写测试用例与判据，属 VLA 测试与验证工具链方向。
Manan Tayal et al. · 面向 VLA 的可行性感知安全对齐，在微调中提供比拉格朗日约束优化更强的安全保证，覆盖操作与导航两类任务。