VLA（视觉 - 语言 - 动作）¶

视觉 - 语言 - 动作模型（Vision-Language-Action Models），将视觉感知、语言理解和动作控制统一到一个模型中，是具身智能和机器人控制的核心方向。

知识框架 ¶

graph TD
    A[VLA 模型] --> B[架构范式]
    A --> C[模型族]
    A --> D[关键技术]
    A --> E[训练范式]

    B --> B1[端到端<br>RT-2, OpenVLA, π0]
    B --> B2[模块化<br>Octo, RDT-1B]
    B --> B3[双系统<br>Helix, GR00T N1]

    C --> C1[RT 系列<br>Google DeepMind]
    C --> C2[开源通才<br>Octo, OpenVLA]
    C --> C3[流匹配<br>π0]
    C --> C4[扩散基础模型<br>RDT-1B]
    C --> C5[人形机器人<br>Helix, GR00T N1]
    C --> C6[具身推理<br>Gemini Robotics]

    D --> D1[动作 Tokenization]
    D --> D2[Diffusion Policy]
    D --> D3[Flow Matching]
    D --> D4[Co-training]

    E --> E1[行为克隆 BC]
    E --> E2[RL 微调]
    E --> E3[Sim-to-Real]
    E --> E4[多具身训练]

章节 ¶

经典论文速览 ¶

学习资源 ¶

• VLA Survey (2025)
• Awesome-VLA-Papers
• VLA 论文合集
• 具身智能综述
• Awesome-VLA-Post-Training
• LeRobot (HuggingFace)