搜索结果
找到 64 条关于"VLA"的结果
PrimeSim：用 3 万小时跨本体示范把视频模型变成机器人世界模拟器
中期训练语料约 30,110 小时、22 个机器人平台，真实与仿真比例约 84:16；四步蒸馏后官方测得约 10.1 FPS，最长展示约 105 秒的连贯回滚；在 WorldSimProbe 上对五个开源动作条件世界模型领先五项中的四项，均分 66.6；EWMBench 总分 6.09；八个不同水平的 OpenVLA-OFT 策略在 PrimeSim 与 LIBERO 物理模拟器中的成功率 Spearman ρ=1.00、Pearson r=0.99；在 PrimeSim 内做 200 步 GRPO 后，策略在物理模拟器中的成功率从 61.7% 升至 73.2%；作者称将发布权重与代码
DexVLA：面向通用机器人控制的插件式扩散专家视觉语言模型
机器人要在不同环境里完成各种各样的任务，这件事一直不好解。Vision-Language-Action（VLA）模型被看作有希望的一条路：把视觉、语言和动作放进同一个模型，让机器人具备可泛化的技能。
训练时动作条件化实现高效实时分块
实时分块（real-time chunking，RTC）让视觉-语言-动作模型（VLA）异步地预测动作块，并以已经提交的动作为条件，从而生成平滑、具备反应性的机器人轨迹。问题出在条件化发生的位置上：它在推理时用补全（inpainting）的方式把新预测接到已执行的动作后面，而这一步本身要付出计算代价。
星海图开放世界数据集与G0双系统VLA模型
机器人学习真正困难的地方，不是让模型在实验室里重复一个动作，而是让它在人类生活和工作的真实环境里理解任务、拆分步骤并稳定执行。Galaxea AI（星海图）的这份资料围绕两个相互关联的问题展开：真实开放环境中的机器人行为数据应该如何采集和标注，以及在此之上如何构建既能规划又能精细执行的VLA模型。
TrackVLA 实现真实场景具身视觉跟踪
具身视觉跟踪要解决的问题很具体：智能体只能看到自己眼前的东西，却要在一个不断变化的场景里认准某个指定目标并跟上去。材料把这件事称作 Embodied AI（具身智能）的一项基础能力，即它往往不是终点，而是更复杂任务的前置条件。
GraspVLA：基于十亿级合成动作数据预训练的抓取基础模型
具身基础模型近来的卖点，集中在 zero-shot 泛化和通过 few-shot 后训练适应新任务这两件事上，但这条路有个绕不开的成本：训练数据主要靠真实世界采集，既贵又费人力。合成数据因此被反复提起，可它究竟能不能撑起一个动作模型，尤其是能不能只靠合成动作数据撑起来，此前很少有人把规模推到十亿帧级去正面回答。
Physical Intelligence：动作分块流策略的实时执行（RTC）
针对VLA高延迟导致动作块边界出现停顿或抖动的问题，提出推理时算法“实时分块（RTC）”。；在执行当前动作块的同时生成下一块，“冻结”必然执行的动作并“补全”其余部分。；适用于任何扩散或流匹配VLA，无需重新训练。
Physical Intelligence：知识隔离的VLA模型——训练快、运行快、泛化更好
指出大型VLM参数多、输出离散token，与机器人实时连续控制的要求存在矛盾。；现有VLA加入动作专家等新模块时，未训练参数可能破坏预训练VLM的语义知识。；提出“知识隔离”训练方法，在保留VLM知识的同时实现快速训练和推理。
Physical Intelligence：RL Token——用VLA引导在线强化学习
在VLA中引入“RL token”，通过编码器和解码器从VLA内部特征中提取紧凑表示。；用该表示训练轻量级的actor-critic网络，进行样本高效的在线强化学习。；只需几小时甚至几分钟的机器人经验，就能微调拧螺丝、扎线带、插网线等高精度任务。
Physical Intelligence：MEM——面向VLA的多尺度具身记忆
为VLA模型引入多尺度记忆，解决长时程任务和部分可观测问题。；结合长期文本记忆（如任务进度摘要）和短期视频记忆。；使机器人能够完成如整理厨房、按菜谱做饭等需要记住先前步骤的任务。