视觉与机器人
视觉-语言-动作模型、机器人基础模型和语言条件机器人控制。
观察和控制视觉-语言-动作模型中的特征
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title,abstract)；VLA(abstract)；分类 cs.RO
AI总结 本文提出通过特征可观察性和可控性研究，实现对视觉-语言-动作模型的在线适应与行为引导，提升其与用户需求的实时对齐能力。
LangGap：诊断和缩小视觉-语言-动作模型中的语言差距
机构 * Department of Electrical and Computer Engineering, National University of Singapore, Singapore（电子与计算机工程系，新加坡国立大学）
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 LangGap通过系统性语义扰动诊断和多样化任务设计，揭示并缩小VLA模型在理解多样语言指令方面的差距。
Comments 7 pages, 3 figures. Code and benchmark will be available at https://github.com/YC11Hou/langgap
递归信念视觉语言动作模型
机构 * Department of Engineering Design, Indian Institute of Technology, Madras, Chennai, India（工程设计系，印度理工学院，马德拉斯，钦奈，印度）
专题命中 VLA模型 ：action model(title,abstract)；vision language action(title)；vision-language-action(abstract)；VLA(abstract)
AI总结 RB-VLA通过信念与意图联合条件化扩散策略，实现长周期任务的高效执行，显著提升成功率并降低推理延迟。
Vlaser：具有协同具身推理能力的视觉-语言-动作模型
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； Nanjing University（南京大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； NUS（新加坡国立大学） ； Northeastern University（东北大学） ； Shenzhen University（深圳大学）
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title,abstract)；VLA(abstract)；分类 cs.CV
AI总结 Vlaser通过整合高级推理与低级控制，解决了具身推理与VLA策略学习之间的关键差距，在多个基准测试中取得最佳性能。
从边缘到云GPU的视觉-语言-动作模型跨平台扩展
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系）
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 本文研究了视觉-语言-动作模型在边缘到云GPU平台上的跨平台扩展，揭示了架构选择和电力限制对性能的影响，并挑战了数据中心硬件的优越性假设。
Comments To appear in the Asilomar Conference on Signals, Systems, and Computers 2025
机构 * Tsinghua University（清华大学） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract)；分类 cs.RO、cs.CV、cs.AI
Comments Project page: https://microsoft.github.io/VITRA/
机构 * Southwest Jiaotong University（西南交通大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Tongji University（同济大学）
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title,abstract)；VLA(abstract)；分类 cs.RO
机构 * Centre for Artificial Intelligence, UCL（人工智能中心，伦敦大学学院） ； Qualcomm AI Research（高通人工智能研究）
专题命中 VLA模型 ：vision language action(title)；action model(title)；vision-language-action(abstract)；VLA(abstract)
Comments Presented at 9th Conference on Robot Learning (CoRL 2025), Seoul, Korea
机构 * UC San Diego（加州大学圣地亚哥分校） ； UIUC（伊利诺伊大学香槟分校） ； MIT（麻省理工学院） ； NVIDIA（英伟达）
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract)；分类 cs.RO、cs.CV、cs.AI
Comments More videos can be found on our website: https://rchalyang.github.io/EgoVLA
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title,abstract)；VLA(abstract)；分类 cs.CV
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title,abstract)；VLA(abstract)；分类 cs.RO
Comments Accepted as a conference paper at ICLR 2025
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract)；分类 cs.RO、cs.CV、cs.AI
Comments Project Webpage: https://cogact.github.io/
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 VLA模型 ：VLA(title_cn,summary_cn)；vision-language-action(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
StarVLA：一种积木式代码库，用于视觉-语言-动作模型开发
机构 * Von Neumann Institute, HKUST（香港科技大学冯·诺依曼研究所）
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract,comments)；分类 cs.RO、cs.CV、cs.AI
AI总结 StarVLA通过模块化架构、可重用训练策略和统一评估接口，解决VLA方法碎片化问题，提升可复现性和跨架构兼容性。
Comments Open-source VLA infra, Technical Report
MPCoT: 奖励引导的多路径潜在推理用于测试时可扩展的视觉-语言-动作
机构 * Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； Department of Computer Science, Tsinghua University（清华大学计算机系）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；分类 cs.RO、cs.AI
AI总结 提出MPCoT框架，通过奖励引导的多路径潜在推理，在保持零推理令牌和原始动作接口的同时，提升长时域和高不确定性控制任务中的VLA策略性能。
Comments 14 pages, 5 figures, submitted to CoRL
Prism-GRPO：通过拆分相同结果组实现更快的视觉-语言-动作（VLA）策略优化
机构 * AWS AI（亚马逊云科技人工智能部门）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.RO、cs.LG
AI总结 该研究提出 Prism-GRPO 算法，通过拆分 GRPO 的相同结果组并引入加权执行质量分数，减少机器人 rollout 预算浪费，在四个 RoboTwin 任务中使达到目标成功率的 rollout 最多减少 56%，还抑制了奖励黑客捷径。
PhaseLoRA：面向连续动作视觉-语言-动作策略的控制条件式低秩适配
机构 * Tsinghua University（清华大学）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；分类 cs.RO、cs.AI
AI总结 PhaseLoRA是面向连续动作VLA策略的轻量级PEFT方法，通过控制条件式LoRA实现阶段依赖适配，在LIBERO数据集上较匹配参数的高秩LoRA基线提升平均成功率12.2个百分点，性能优于其他LoRA变体。
LIRA：面向视觉-语言-动作解码的局部跨层信息路由
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；分类 cs.RO、cs.CV
AI总结 LIRA是面向VLA模型的局部跨层信息路由机制，通过深度感知路由VLM特征，在多机器人操作基准及真实场景中提升了动作预测性能与分布偏移下的鲁棒性。
Comments 9 pages, 4 figures. Code and model checkpoints will be released upon acceptance of the paper
ValueFormer：面向半自主视觉-语言-动作策略的、具有阶段感知标签的因果变换价值函数
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；分类 cs.RO、cs.AI
AI总结 本文提出 ValueFormer，一种带阶段感知标签的因果变换价值函数，用于半自主 VLA 策略，在真实机器人双手机器人三明治组装任务上提升了任务完成率并降低了服务成本。
Comments 22 pages, 17 figures, 8 tables
VLAGuard：无线传感器网络中视觉-语言-动作机器人的物理注意力劫持评估与缓解框架
机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） ； Shenzhen University（深圳大学）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；分类 cs.RO、cs.AI
AI总结 VLAGuard框架通过提出VASA攻击和APFT防御，有效降低了无线传感器网络中VLA机器人的物理注意力劫持风险，提升了其在模拟与真实环境中的鲁棒性。
Comments 32 pages, 8 figures, 5 tables. Accepted for publication in Ad Hoc & Sensor Wireless Networks (AHSWN)
RedFlow：将失败重定向为流匹配VLA策略的动作级修正
机构 * The Hong Kong University of Science and Technology（香港科技大学）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.RO、cs.AI
AI总结 RedFlow是将失败转化为动作级修正监督的离线RL框架，在LIBERO基准及真实操纵任务上，其真实成功率达74.7%，优于现有离线RL基线，样本量仅为强在线方法的十分之一。
通过表示锚定和语言-动作对齐实现可泛化的视觉语言动作微调
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Texas A&M University（德州农工大学） ； University of California, Irvine（加州大学欧文分校）
专题命中 VLA模型 ：VLA(title,summary_cn)；vision-language-action(abstract)；分类 cs.RO、cs.CV
AI总结 研究针对VLA策略微调中存在的问题提出Anchor-Align方法，通过视觉语言锚定和语言-动作对齐两个目标增强BC，在物理机器人和模拟测试中均有效果提升，表明保留预训练表示与有效动作学习可兼顾。
Comments Code: https://github.com/dwipddalal/Anchor-Align
DynaWM：用于移动物体操纵的基于基础VLA的世界基础模型
机构 * Department of Computer Science and Technology, THUAI, Tsinghua University, Beijing 100084, China（计算机科学与技术系，THUAI，清华大学，北京100084，中国）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.RO、cs.CV
AI总结 针对移动物体操纵挑战，提出DynaWM模型，用多种编码器提取特征，联合条件流匹配DiT生成动作轨迹，构建数据集评估，相比其他模型有性能提升，消融实验验证各部分作用。
Comments 17 pages, 3 figures
ABot-M0.5：统一移动与操作的世界动作模型
机构 * AMAP CV Lab（AMAP CV实验室）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；action model(title,abstract)；分类 cs.RO、cs.CV
AI总结 针对移动操作任务中VLA策略缺乏世界建模、动作空间耦合及训练-推理不一致的问题，提出ABot-M0.5模型，通过三级对齐（时间粒度、动作空间、训练-测试一致性）实现细粒度控制，在长时域任务成功率和控制精度上达到最优。
Comments Code: https://github.com/amap-cvlab/ABot-Manipulation
BioProVLA-Agent：一种经济实惠、基于协议、视觉增强的VLA启用的具身多智能体系统，具备闭环推理能力，用于生物实验室操作
机构 * Key Laboratory of Smart Manufacturing in Energy Chemical Process Ministry of Education, East China University of Science and Technology, Shanghai, CN（能源化工过程智能制造教育部重点实验室，东华大学，上海，中国） ； Department of Computer Science and Engineering, East China University of Science and Technology, Shanghai, CN（东华大学计算机科学与工程系，上海，中国） ； Department of Laboratory Medicine, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, CN（复旦大学附属瑞金医院检验医学科，上海，中国） ； School of Information Science and Technology, Shihezi University, Shihezi, CN（石河子大学信息科学与技术学院，石河子，中国）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.RO、cs.AI
AI总结 本文提出BioProVLA-Agent，通过协议驱动和视觉增强，实现生物实验室操作中的具身多智能体系统，具备闭环推理能力，提升在湿实验室环境中的执行稳定性。
Comments 17 pages, 10 figures
运动聚焦的潜在动作使跨实体VLA训练能从人类自我中心视频中学习
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Tianfu Jiangxi Laboratory（天府江西实验室）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.RO、cs.CV
AI总结 提出基于潜在动作的框架，利用混合解耦VQ-VAE从无标签人类视频中提取通用动作先验，通过意图-感知解耦策略减少动作幻觉，仅需50条轨迹即可适配下游任务。
Comments Accepted by IROS 2026
LaMP: 以3D场景流作为潜在运动先验的视觉-语言-动作策略学习
机构 * Southeast University（东南大学） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Zhejiang University（浙江大学） ； Beihang University（北京航空航天大学） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；分类 cs.RO、cs.CV
AI总结 提出LaMP框架，通过门控融合将3D场景流作为潜在运动先验，对齐运动专家与动作专家，提升VLA策略在复杂空间交互中的鲁棒性，在LIBERO等基准上取得最高平均成功率。
Comments Accepted to ECCV2026
TIDAL: 时间交错扩散与动作循环用于高频VLA控制
机构 * Institute for Infocomm Research (I$^2$R), A*STAR, Singapore（信息通信研究所（I²R），A*STAR，新加坡） ； Tsinghua University, Beijing, China（清华大学，北京，中国） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.RO、cs.AI
AI总结 提出TIDAL分层框架，通过双频架构解耦语义推理与高频执行，实现边缘硬件上约9Hz控制更新，在动态拦截任务中性能提升2倍。
FOCA: 面向未来的条件化用于数据高效的视觉-语言-动作适应
机构 * Center for AI Research, VinUniversity, Vietnam ； University of Utah, USA ； German Research Center for Artificial Intelligence (DFKI) ； Technical University of Denmark, Denmark ； University of Oldenburg, Germany ； University of Stuttgart, Germany ； Max Planck Research School for Intelligent Systems (IMPRS-IS), Germany
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；分类 cs.CV、cs.AI
AI总结 提出FOCA框架，结合未来交互嵌入预测与目标观测隐式对齐，实现数据高效的VLA少样本适应，在LIBERO、RoboCasa和真实机器人上取得新最优结果。
Comments Accepted at ICML 2026. Project page: https://focavla.github.io/
CHORUS: 基于单一VLA策略的去中心化多体协作
机构 * Stanford University（斯坦福大学）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.RO、cs.AI
AI总结 提出CHORUS框架，利用预训练视觉-语言-动作模型的视觉运动先验，实现无需推理时通信的去中心化多机器人协作，在真实实验中显著优于基线。
Comments Project Website: https://chorus-model.github.io
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈