NS-VLA: Towards Neuro-Symbolic Vision-Language-Action Models
NS-VLA：迈向神经符号视觉-语言-动作模型
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO
AI总结 NS-VLA通过在线强化学习提出神经符号视觉-语言-动作模型，解决VLA在学习可重用原始构件、减少数据依赖和扩展探索能力方面的挑战。
视觉与机器人
机器人 / 具身智能
机器人、具身智能、机器人学习、操作、导航和具身世界模型。
1. 机器人基础模型 584 篇
$Δ$VLA: Prior-Guided Vision-Language-Action Models via World Knowledge Variation
$Δ$VLA：通过世界知识变化引导的视觉-语言-动作模型
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Great Bay University（大湾大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Macao Polytechnic University（澳门理工学院）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.CV
AI总结 $Δ$VLA通过建模世界知识变化，结合先验引导和潜在空间学习，提升机器人动作生成的效率和性能。
Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization
重新思考视觉-语言-动作模型的扩展：对齐、混合与正则化
机构 * Renmin University of China（中国人民大学） ； BeingBeyond ； Peking University（北京大学）
专题命中 机器人基础模型 ：robotics(abstract)；robotic(abstract)；分类 cs.RO
AI总结 本研究重新审视视觉-语言-动作模型的扩展问题，探讨了对齐、混合与正则化在机器人控制中的关键作用，挑战了传统假设并提供实践指导。
Recurrent-Depth VLA: Implicit Test-Time Compute Scaling of Vision-Language-Action Models via Latent Iterative Reasoning
递归深度VLA：通过潜在迭代推理实现视觉-语言-动作模型的隐式测试时计算扩展
机构 * Stanford University（斯坦福大学） ； Technical University of Munich（慕尼黑技术大学） ； University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
专题命中 机器人基础模型 ：robotics(abstract)；manipulation(abstract)；分类 cs.RO
AI总结 RD-VLA通过潜在迭代推理实现视觉-语言-动作模型的隐式测试时计算扩展，提供恒定内存使用和高达80倍的推理加速。
Comments 11 Pages, Project page:https://rd-vla.github.io/
From Knowing to Doing Precisely: A General Self-Correction and Termination Framework for VLA models
从认知到精准执行：一种通用的自我校正与终止框架用于VLA模型
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院，清华大学，深圳，中国） ； Ping An Technology (Shenzhen) Co., Ltd., Shenzhen, China（平安科技（深圳）有限公司，深圳，中国）
专题命中 机器人基础模型 ：embodied agent(abstract)；manipulation(abstract)；分类 cs.RO
AI总结 本文提出VLA-SCT框架，通过自我校正和终止机制提升VLA模型在抓取任务中的精度和鲁棒性，提高复杂环境下的执行可靠性。
Comments Accepted to 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026)
A Survey on Efficient Vision-Language-Action Models
高效视觉-语言-动作模型的综述
机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算机科学与人工智能学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系）
专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO、cs.AI、cs.CV
AI总结 本文综述了高效视觉-语言-动作模型，系统分类了模型设计、训练和数据收集三个核心领域，总结了最新方法并提出了未来研究方向。
Comments 28 pages, 8 figures
Vision-Language-Action (VLA) Models: Concepts, Progress, Applications and Challenges
视觉-语言-动作（VLA）模型：概念、进展、应用与挑战
机构 * Cornell University（康奈尔大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of the Peloponnese（希腊皮洛斯大学）
专题命中 机器人基础模型 ：robotics(abstract)；embodied agent(abstract)；分类 cs.CV
AI总结 本文综述了视觉-语言-动作（VLA）模型的概念、进展、应用与挑战，探讨了其在自动驾驶、医疗机器人等领域的应用及未来发展方向。
STARE-VLA: Progressive Stage-Aware Reinforcement for Fine-Tuning Vision-Language-Action Models
STARE-VLA：渐进式阶段感知强化用于视觉-语言-动作模型微调
机构 * Munich Research Center, Huawei Technologies（慕尼黑研究中心，华为技术）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO
AI总结 STARE-VLA通过渐进式阶段感知强化方法，提升视觉-语言-动作模型的动作准确性，实现SimplerEnv和ManiSkill3任务中的高成功率。
Embodiment Transfer Learning for Vision-Language-Action Models
机构 * Shanghai University（上海大学）
专题命中 机器人基础模型 ：robot learning(abstract)；robotic(abstract)；分类 cs.RO
VITA-VLA: Efficiently Teaching Vision-Language Models to Act via Action Expert Distillation
机构 * Nanjing University（南京大学） ； Tencent Youtu Lab（腾讯优图实验室） ； CASIA（中国科学院自动化研究所）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.CV
Comments Homepage: https://ltbai.github.io/VITA-VLA/
FreezeVLA: Action-Freezing Attacks against Vision-Language-Action Models
机构 * Fudan University（复旦大学） ； Shanghai AI Lab（上海人工智能实验室） ； Sea AI Lab（Sea人工智能实验室）
专题命中 机器人基础模型 ：robotics(abstract)；robotic(abstract)；分类 cs.CV
Dual-Actor Fine-Tuning of VLA Models: A Talk-and-Tweak Human-in-the-Loop Approach
机构 * Beijing Xiaomi Robot Technology Co., Ltd.（北京小米机器人科技有限公司） ； City University of Hong Kong（香港城市大学）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO
TA-VLA: Elucidating the Design Space of Torque-aware Vision-Language-Action Models
机构 * Beijing Academy of Artificial Intelligence, BAAI（北京人工智能研究院） ； Institute for AI Industry Research (AIR), Tsinghua Univeristy（清华大学人工智能产业研究院） ； Nanyang Technological University（南洋理工大学）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO
Comments Accepted to CoRL 2025, project page: \url{https://zzongzheng0918.github.io/Torque-Aware-VLA.github.io/}
FLOWER: Democratizing Generalist Robot Policies with Efficient Vision-Language-Action Flow Policies
机构 * Intuitive Robots Lab（直观机器人实验室） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Microsoft Research（微软研究院）
专题命中 机器人基础模型 ：robotics(abstract)；robotic(abstract)；分类 cs.RO
Comments Published at CoRL 2025
CoA-VLA: Improving Vision-Language-Action Models via Visual-Textual Chain-of-Affordance
机构 * Shanghai University（上海大学） ； Midea Group（美的集团） ； East China Normal University（华东师范大学）
专题命中 机器人基础模型 ：robot foundation model(abstract)；robot policy(abstract)；分类 cs.RO
Comments Project webpage is available at https://chain-of-affordance.github.io
EdgeVLA: Efficient Vision-Language-Action Models
机构 * K-Scale Labs（K-Scale实验室） ； McGill University（麦吉尔大学）
专题命中 机器人基础模型 ：robotics(abstract)；manipulation(abstract)；分类 cs.RO
Journal ref IROS-MoMA3 Workshop 2024
CEED-VLA: Consistency Vision-Language-Action Model with Early-Exit Decoding
机构 * HKUST(GZ)（香港科技大学（广州）） ； Westlake University（西湖大学） ； Zhejiang University（浙江大学）
专题命中 机器人基础模型 ：robotics(abstract)；manipulation(abstract)；分类 cs.RO
Comments 16 pages
Unveiling the Potential of Vision-Language-Action Models with Open-Ended Multimodal Instructions
机构 * Westlake University（西湖大学） ； Zhejiang University（浙江大学）
专题命中 机器人基础模型 ：robotics(abstract)；robotic(abstract)；分类 cs.RO
Early Warning Signals for OpenVLA Failure under Visual Distribution Shift
视觉分布偏移下OpenVLA故障的早期预警信号
机构 * New York University（纽约大学）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI、cs.CV
AI总结 研究在视觉分布偏移下，OpenVLA内部激活是否包含可线性解码的近期任务失败信息，通过LIBERO操作实验发现第16层逻辑探针在遮挡条件下预测失败AUROC达0.972。
Comments 16 pages, 2 figures, 8 tables
ActionCache: Training-Free Acceleration for Vision-Language-Action Models with Action Caching and Refinement
基于动作缓存与优化的视觉-语言-动作模型免训练加速
机构 * Institute of Science Tokyo（东京科学研究所）
专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO、cs.CV、cs.LG
AI总结 针对视觉-语言-动作模型动作头计算瓶颈问题，提出ActionCache即插即用外部缓存，利用紧凑多模态键存储中间动作，可跨不同场景检索重用，在模拟和真实环境实验中显著加速推理，提升任务成功率。
DLAM: Distributional Latent Actions with Temporal Constraints
DLAM：带时间约束的分布隐式动作模型
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI、cs.CV
AI总结 该研究针对VLA模型数据稀缺问题，提出带时间约束的分布隐式动作模型DLAM，通过特定约束优化隐式动力学，提升了视频重建效果及机器人操作任务的策略性能。
VLASH: Real-Time VLAs via Future-State-Aware Asynchronous Inference
VLASH: 通过未来状态感知的异步推断实现实时VLAs
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Tsinghua University（清华大学） ； UC Berkeley（加州大学伯克利分校） ； UCSD（加州大学圣地亚哥分校） ； Caltech（加州理工学院）
专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO、cs.AI、cs.LG
AI总结 VLASH通过未来状态感知的异步推断框架，实现高效、准确的实时VLAs控制，显著提升反应速度和任务执行精度。
Action QFormer: Structured Representation Shaping under Action Supervision in Vision-Language-Action Models
动作QFormer：视觉-语言-动作模型中动作监督下的结构化表示塑造
机构 * Shanghai Qizhi Institute（上海期智研究院） ； The Chinese University of Hong Kong（香港中文大学） ； Hong Kong Embodied AI Lab（香港具身人工智能实验室） ； Tsinghua University（清华大学） ； University of California, Berkeley（加州大学伯克利分校）
专题命中 机器人基础模型 ：navigation(abstract)；分类 cs.RO、cs.AI、cs.CV
AI总结 研究视觉-语言-动作模型中动作监督问题，提出动作QFormer，通过基于指令的查询重组多模态信息。在零样本模拟到真实导航中提升了任务成功率、动作生成正确性等，还改变动作监督塑造多模态表示的方式，为提高VLA性能提供新思路。
Never Too Late for Force: Accelerating VLA Post-Training with Reactive Force Injection
力，永不嫌迟：通过反应式力注入加速视觉-语言-动作模型的训练后优化
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Southern University of Science and Technology（南方科技大学） ； Noematrix Ltd.（诺玛矩阵有限公司）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI、cs.LG
AI总结 研究针对预训练VLA策略在接触状态下表现不佳的问题，提出LIFT框架，通过嫁接反应式动作专家、注入力及结合在线DAgger循环，提升其在富含接触操作任务中的性能，且证明相关组件对稳健操作很重要。
Comments Project page: https://lift-policy.github.io/
Tactile Modality Fusion for Vision-Language-Action Models
触觉模态融合用于视觉-语言-动作模型
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.CV、cs.LG
AI总结 本文提出TacFiLM，一种轻量级模态融合方法，将视觉-触觉信号整合到视觉-语言-动作（VLA）模型中。通过特征级线性调制（FiLM）对中间视觉特征进行条件化，提升接触丰富操作行为的性能。
Comments Accepted to the European Conference on Computer Vision (ECCV), 2026, 20 pages, 5 figures
InSight: Self-Guided Skill Acquisition via Steerable VLAs
InSight: 通过可引导的VLA实现自主技能获取
机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI、cs.LG
AI总结 提出InSight框架，通过将VLA模型在基本动作层面变得可引导，实现自主技能获取，包括自动分割演示为基本动作和VLM引导的数据飞轮，无需人类演示即可学习新技能。
Comments Project website: https://insight-vla.github.io
ASCII Art Turns LLMs into VLA Controllers
ASCII艺术将LLMs转化为VLA控制器
机构 * Dept. of Computer Science, Dartmouth College（达特茅斯学院计算机科学系） ； Dept. of Electrical and Computer Engineering, Clemson University（克莱姆森大学电气与计算机工程系） ； Dept. of Mechanical and Aerospace Engineering, University of Houston（休斯顿大学机械与航空航天工程系）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.CV、cs.LG
AI总结 通过ASCII表示将视觉观察渲染为文本输入，仅使用文本LLM即可实现VLA式控制，在2D操作任务中表现良好，提供轻量级可解释的模态桥接。
SCALE: Self-uncertainty Conditioned Adaptive Looking and Execution for Vision-Language-Action Models
SCALE: 基于自不确定性条件自适应观察与执行的视觉-语言-动作模型
机构 * Seoul National University（首尔国立大学）
专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO、cs.AI、cs.LG
AI总结 提出SCALE推理策略，利用自不确定性联合调节视觉感知和动作，无需额外训练或验证器，仅单次前向传播，提升VLA模型在模拟和真实环境中的鲁棒性。
Comments ICML 2026 Spotlight. Project page: https://dcahn12.github.io/projects/scale/
DAM-VLA: Decoupled Asynchronous Multimodal Vision Language Action model
DAM-VLA: 解耦异步多模态视觉语言动作模型
机构 * Intuitive Robots Lab, Karlsruhe Institute of Technology (KIT)（直觉机器人实验室，卡尔斯鲁厄理工学院） ； NVIDIA（英伟达） ； Robotics Institute of Germany（德国机器人研究所）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.CV、cs.LG
AI总结 针对VLA模型同步时钟与物理交互中不同模态频率不匹配的问题，提出DAM-VLA，通过解耦各模态时间处理、维护传感器速率更新的潜在缓冲区，并利用门控交叉注意力整合高频模态，在7个真实操作任务中平均成功率提升至95.2%。
Comments 17 pages, 8 figures
What Matters in Orchestrating Robot Policies: A Systematic Study of Hierarchical VLA Agents
机器人策略编排的关键因素：分层VLA智能体的系统研究
机构 * Google DeepMind（谷歌DeepMind）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI、cs.LG
AI总结 系统研究分层视觉-语言-动作（Hi-VLA）系统的设计原则，通过统一框架分析规划器、控制器及接口机制对短时、长时及推理密集型任务性能的影响，提出构建更强健分层VLA智能体的实用原则。
