VLA [TUM|Schoellig]
Multi-View Latent Action Pretraining for Cross-Embodiment Robot Learning from Videos
Oliver Hausdörfer et al. · 用多视角视频做无动作标签的 latent action 预训练，解决单视角 LAM 无法消解 6D 位姿歧义的问题，实现跨本体策略迁移；可直接套用到自有大规模视频数据做预训练。
cs.RO
閱讀原文
VLA 研究日報 Pulsar
FEED
— AI 線暫無可用資料 —— AI 线暂无可用资料 —
VLA 線VLA 线 · cs.RO · cs.AI · cs.LG
- ACE-Brain-0.6: Scaling Spatial Grounding for Physical Foundation Models [上海AI实验室|Mu] Yinhe Wang et al. · 通过 GPT-6 Astra、Claude Opus 5.5 等通用多模态模型的对比分析，论证物理基础模型的泛化能力与空间定位能力同源，并提出扩展空间 grounding 的方案；目前偏能力分析，未给出 VLA 训练或策略实验结果。 CS.RO
- What Would Removing This Corruption Change? Failure Attribution for Vision-Language-Action Models [MIT] Carson Sobolewski et al. · 对 VLA 做反事实失败归因：不只判断某种视觉损坏是否有害，而是估计在当次 episode 中移除该损坏能否改善结果，并处理多个损坏同时出现的情形；可用于诊断 VLA 鲁棒性瓶颈。 CS.RO
- HATCH: Hardware-Attested Task Chains for Verifiable Manipulation [Midas Robotics Inc] Shiza Charania · 提出以“机器人密室逃脱”形式的操作能力验证基准：规范开放、物理可复现、传感器自动打分且任务不可提前预演，并附硬件认证防作弊；属评测基础设施而非方法贡献。 CS.RO
- Evaluating Social Reasoning in Embodied Vision-Language Models [The Graduate Center, City University of New York (CUNY)] Daniel Weiner et al. · 评测 Gemini Robotics-ER 等具身专用 VLM 是否保留通用 VLM 的社会推理能力，检验其作为机器人团队推理层时的社交常识缺口；是评测研究，不涉及策略训练。 CS.RO
- PLaCA: Learning Patch-Level Future Latent Change for Action Generation [Nanjing University] Zhan Yi et al. · 不做整幅未来图像重建，而是预测 patch 级未来隐表征变化来为 VLA 动作生成提供环境演化先验，降低世界动作模型的预测开销；与世界动作模型路线高度重合的选择之一。 CS.RO
- AWLS: Advantage-Weighted Latent Steering for One-Step Generative Robotic Manipulation Policies [Nanyang Technological University] Jiahong Tang et al. · 针对真机示教中犹豫、绕路等低质量片段，用优势加权在隐空间引导一步生成策略，使其偏向高回报动作；属策略学习层面的数据质量利用技巧，未涉及 VLM 骨干改造。 CS.RO
- Multi-View Latent Action Pretraining for Cross-Embodiment Robot Learning from Videos [TUM|Schoellig] Oliver Hausdörfer et al. · 用多视角视频做无动作标签的 latent action 预训练，解决单视角 LAM 无法消解 6D 位姿歧义的问题，实现跨本体策略迁移；可直接套用到自有大规模视频数据做预训练。 CS.RO
- RoboCasa-Shift: Stage-Aware Robustness Evaluation of Vision-Language-Action Policies in Long-Horizon Household Manipulation [Fudan University] Haocheng Wang et al. · 在 RoboCasa 上构建阶段感知的分布偏移鲁棒性评测，把聚合成功率拆解到各子阶段，定位长程任务中失败从哪一步开始；可作为长程操作 VLA 的失效诊断基准。 CS.RO
- EventSync: Event-Driven Memory Updates for History-Dependent Manipulation [Renmin University of China] Jingjiao Zhao et al. · 用事件触发式记忆更新替代固定频率的历史写入，为依赖历史的操作任务维护任务上下文并支撑高层子目标推理；分层框架与 VLA 骨干的结合方式尚待验证。 CS.RO
- PACT-VLA: Speculative Action-Chunk Verification with Pre-Commit Observations [The Hong Kong University of Science and Technology (Guangzhou)] Yixiang Zhu et al. · 针对异步推理的 VLA，在动作块提交前用最新观测做投机验证与修正，缓解执行期间场景已变化导致的动作失配；是部署侧延迟问题的实用补丁。 CS.RO
- FIT-MAC: A Closed-Loop Multi-Agent Framework for Robust Vision-Language-Action Models [Lanzhou University] Jiatong Li et al. · 用闭环多智能体框架让多个模块互相校验，以提升 VLA 在物体位置等条件偏移下的可靠性；创新主要是模块组合与调度，缺少与单模型基线的方法级对比。 CS.RO
- From Predictive Geometry to Action: Learning Complementary Predictive Representations for Embodied Manipulation [Beihang University] Xiaoxu Xu et al. · 同时学习当前场景几何表征与几何在交互下如何演化的预测表征，作为互补辅助任务提升操作策略；属表征学习层面的改进，与 VLA 架构结合点未展开。 CS.RO
VLA 研究日報VLA 研究日报
共 29 篇
🔧 技術技术
VLA [Stanford|Pavone]
Reasoning as a Distribution: Generative Plan Latents for Vision-Language-Action Models
Matteo Cercola et al. · 把 VLA 的中间推理从单一隐向量改为生成式规划分布，保留多个可行计划以避免过早承诺，在多解任务上更稳；可复用为 reasoning-VLA 的多假设规划头与训练目标。
cs.RO
閱讀原文
VLA [Institute of Automation, Chinese Academy of Sciences]
Physical Canvas: A Vision Tactile World Model For Robot Policy Evaluation And Learning
Zebin Xing et al. · 构建视觉-触觉联合的动作条件世界模型，用触觉信号约束接触动力学预测，解决纯视觉预测看似合理却误判接触的问题，可作为策略评估与后训练的可交互模拟器；触觉策略的离线评估可直接复用。
cs.RO
閱讀原文
VLA [MERL]
UniWALM: Unified World Action Language Model for Embodied Robot Control
Rahul Sajnani et al. · 提出把视频、动作、语言映射到同一共享表征的 world-action-language 统一模型，联合学习世界演化预测与动作生成，模态间互为监督；可复用其统一表征与联合训练目标设计。
cs.RO
閱讀原文
VLA [Opinion Leader Research]
ForeTac: Predictive Contact Guidance for Generative Robot Policies
Zhiyuan Chen et al. · 在生成式策略中加入预测性触觉接触引导，用未来接触结果提前修正动作，避免仅靠当前触觉反馈响应过晚；接触密集型任务的触觉预测模块可直接复用。
cs.RO
閱讀原文
📖 背景閱讀背景阅读
VLA [上海AI实验室|Mu]
ACE-Brain-0.6: Scaling Spatial Grounding for Physical Foundation Models
Yinhe Wang et al. · 通过 GPT-6 Astra、Claude Opus 5.5 等通用多模态模型的对比分析，论证物理基础模型的泛化能力与空间定位能力同源，并提出扩展空间 grounding 的方案；目前偏能力分析，未给出 VLA 训练或策略实验结果。
cs.RO
閱讀原文
VLA [MIT]
What Would Removing This Corruption Change? Failure Attribution for Vision-Language-Action Models
Carson Sobolewski et al. · 对 VLA 做反事实失败归因：不只判断某种视觉损坏是否有害，而是估计在当次 episode 中移除该损坏能否改善结果，并处理多个损坏同时出现的情形；可用于诊断 VLA 鲁棒性瓶颈。
cs.RO
閱讀原文
VLA [Midas Robotics Inc]
HATCH: Hardware-Attested Task Chains for Verifiable Manipulation
Shiza Charania · 提出以“机器人密室逃脱”形式的操作能力验证基准：规范开放、物理可复现、传感器自动打分且任务不可提前预演，并附硬件认证防作弊；属评测基础设施而非方法贡献。
cs.RO
閱讀原文
VLA [The Graduate Center, City University of New York (CUNY)]
Evaluating Social Reasoning in Embodied Vision-Language Models
Daniel Weiner et al. · 评测 Gemini Robotics-ER 等具身专用 VLM 是否保留通用 VLM 的社会推理能力，检验其作为机器人团队推理层时的社交常识缺口；是评测研究，不涉及策略训练。
cs.RO
閱讀原文
VLA [Nanjing University]
PLaCA: Learning Patch-Level Future Latent Change for Action Generation
Zhan Yi et al. · 不做整幅未来图像重建，而是预测 patch 级未来隐表征变化来为 VLA 动作生成提供环境演化先验，降低世界动作模型的预测开销；与世界动作模型路线高度重合的选择之一。
cs.RO
閱讀原文
VLA [Nanyang Technological University]
AWLS: Advantage-Weighted Latent Steering for One-Step Generative Robotic Manipulation Policies
Jiahong Tang et al. · 针对真机示教中犹豫、绕路等低质量片段，用优势加权在隐空间引导一步生成策略，使其偏向高回报动作；属策略学习层面的数据质量利用技巧，未涉及 VLM 骨干改造。
cs.RO
閱讀原文
VLA [Fudan University]
RoboCasa-Shift: Stage-Aware Robustness Evaluation of Vision-Language-Action Policies in Long-Horizon Household Manipulation
Haocheng Wang et al. · 在 RoboCasa 上构建阶段感知的分布偏移鲁棒性评测，把聚合成功率拆解到各子阶段，定位长程任务中失败从哪一步开始；可作为长程操作 VLA 的失效诊断基准。
cs.RO
閱讀原文
VLA [Renmin University of China]
EventSync: Event-Driven Memory Updates for History-Dependent Manipulation
Jingjiao Zhao et al. · 用事件触发式记忆更新替代固定频率的历史写入，为依赖历史的操作任务维护任务上下文并支撑高层子目标推理；分层框架与 VLA 骨干的结合方式尚待验证。
cs.RO
閱讀原文
VLA [The Hong Kong University of Science and Technology (Guangzhou)]
PACT-VLA: Speculative Action-Chunk Verification with Pre-Commit Observations
Yixiang Zhu et al. · 针对异步推理的 VLA，在动作块提交前用最新观测做投机验证与修正，缓解执行期间场景已变化导致的动作失配；是部署侧延迟问题的实用补丁。
cs.RO
閱讀原文
VLA [Lanzhou University]
FIT-MAC: A Closed-Loop Multi-Agent Framework for Robust Vision-Language-Action Models
Jiatong Li et al. · 用闭环多智能体框架让多个模块互相校验，以提升 VLA 在物体位置等条件偏移下的可靠性；创新主要是模块组合与调度，缺少与单模型基线的方法级对比。
cs.RO
閱讀原文
VLA [Beihang University]
From Predictive Geometry to Action: Learning Complementary Predictive Representations for Embodied Manipulation
Xiaoxu Xu et al. · 同时学习当前场景几何表征与几何在交互下如何演化的预测表征，作为互补辅助任务提升操作策略；属表征学习层面的改进，与 VLA 架构结合点未展开。
cs.RO
閱讀原文
VLA [Nanjing University]
Large Multimodal Models for Direct Robot Control: GPT-6 as a Beginning
Youwei Zhou et al. · 系统评测 GPT-6 Astra 直接做机器人操作的能力边界，给出通用多模态模型在具身任务上的能力画像；属评测分析，未提出可训练方法。
cs.RO
閱讀原文
VLA [University of Massachusetts Amherst]
Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning
Daniel Marew et al. · 提出快速运动重定向流水线，把大规模人体动捕数据高效映射到不同人形机器人本体，替代昂贵的轨迹优化；面向人形运动学习，非 VLA 操作。
cs.RO
閱讀原文
VLA [University of Central Florida]
AgenticRoboRL: Bringing Coding-Agent Post-Training to Agentic Robotics
Xinxin Liu et al. · 把编码智能体的后训练范式迁移到 agentic 机器人系统：用可训练开源规划器替代闭源大模型作 planner，并以任务成功率为奖励做 RL；对 agentic 操作流水线搭建有参考价值。
cs.RO
閱讀原文
VLA [上交]
Physical AI: Concepts, Techniques, and Challenges
Weinan Zhang et al. · 综述 physical AI 的概念界定、技术版图与开放挑战，试图统一领域术语；对建立全局认识有用，但无新方法。
cs.RO
閱讀原文
VLA [Peking University]
CLOSER: Evidence-Aware Active Visual Verification for Embodied Object-Goal Navigation
Pengying Wu et al. · 面向 ObjectNav 的证据感知主动视觉验证，让智能体在有限第一视角视频下在线判断检测结果是否可信并主动补看；属导航任务，与操作策略无关。
cs.RO
閱讀原文
VLA [Physical Intelligence]
Not All Features Are Created Equal: A Mechanistic Study of Vision-Language-Action Models
Bryce Grant et al. · 机制可解释性分析 VLA 内部特征，发现不同特征对扰动敏感度差异巨大，物体仅平移五厘米即使成功的策略失败；为 VLA 鲁棒性改造提供可复用的诊断视角与特征定位方法。
cs.RO
閱讀原文
VLA [The Hong Kong University of Science and Technology (Guangzhou)]
DEFLECT: Temporal Counterfactual Preference Learning for Delay-Robust Asynchronous VLAs
Yixiang Zhu et al. · 用时间反事实偏好学习训练对推理延迟鲁棒的异步 VLA，使策略在动作块已过期时仍偏向安全动作；与同组 PACT-VLA 主题高度重叠。
cs.RO
閱讀原文
VLA [University of California, Los Angeles]
Flow Control: Steering Vision-Language-Action Models with Simple Real-Time Inputs
Jonathan C. Kao et al. · 用键盘等通用低带宽输入在推理时实时引导 VLA 动作，无需重训或微调即可在部署中纠偏；属交互式部署技巧，缺策略层面的能力提升。
cs.RO
閱讀原文
VLA [Seoul National University]
ZeroDex: Zero-Shot Long-Horizon Dexterous Manipulation via Multi-View 3D-Grounded VLM Reasoning
Jisoo Kim et al. · 基于标定多视角 RGB，用 3D grounding 的 VLM 推理把语言指令分解为可执行三维任务计划，实现零样本长程灵巧操作；依赖现成 VLM 规划与底层原语，未做统一策略学习。
cs.RO
閱讀原文
VLA [上交]
WorldScape Policy 2.0: Empowering Steerable World Action Modeling with Reasoning-Augmented Memory and In-Context Learning
Haisheng Su et al. · 在世界动作模型上加入推理增强记忆与上下文学习，扩展时序上下文长度并细化语言监督粒度以提升可控性；与 UniWALM、PLaCA 等统一 WAM 路线重叠，差异化有限。
cs.RO
閱讀原文
VLA [Seoul National University Hospital]
From Instrument-Mounted Demonstrations to In-Vivo Execution: Learning Bimanual Laparoscopic Appendectomy Without Robot-Collected Demonstrations
Dongho Yee et al. · 利用手持腹腔镜器械的运动学与内窥镜视频替代机器人采集示教，构建双臂阑尾切除手术的端到端模仿学习流水线；属手术机器人专域模仿学习，与通用 VLA 路线差异大。
cs.RO
閱讀原文
VLA [Colorado School of Mines]
FastVLA: Task-Conditioned and Temporally Adaptive Visual Token Compression for Efficient Vision-Language-Action Models
Jiuyi Xu et al. · 按任务条件与时间步自适应压缩多视角高分辨率视觉 token，降低 VLA 闭环推理的编码开销；是部署效率导向的工程优化，精度-延迟曲线可参考。
cs.RO
閱讀原文
VLA [The Hong Kong Polytechnic University]
NestedVLA: Learning to Consolidate and Generate Skills for Vision-Language-Action Models
Guodong Du et al. · 用嵌套式技能巩固与生成解决分别训练的技能难以合并的问题（原始联合训练数据不可得、直接权重合并失效）；面向持续学习/技能组合场景，实验规模待验证。
cs.RO
閱讀原文