标签
HiFOR 提出了一种面向视觉-语言-动作模型的层次化前瞻框架，结合动作引导的世界检索，联合预测短期状态、语义里程碑与目标状态，从而更好地引导机器人操作动作的生成。
VLDA提出用紧凑的Delta变量将机器人控制重构为可执行的转变建模，作为视觉语言理解与动作生成之间的接口，相比直接的观测-动作映射和完整未来状态预测，提升了长程一致性、鲁棒性和泛化能力。
PINT 提出了一种统一模型，通过可学习的预测意图令牌（Predictive Intent Tokens）协调视觉语言推理、视频世界建模与动作生成，在无需具身预训练的情况下显著提升了机器人操作的分布外泛化能力，在 RoboTwin 2.0-Hard 和 LIBERO-Plus 等基准上大幅超越 Fast-WAM 和 StarVLA。
Dynin-Robotics是一个多模态统一扩散模型，整合了视觉、语言和动作，用于语言条件下的机器人控制，通过联合去噪和测试时缩放提高适应性和成功率。
本文提出潜在接口训练（LIT），一种两阶段策略，通过姿态监督的潜在接口缓解视觉-行动捷径，以增强机器人基础模型的泛化能力。
WorldDiT是一种统一的扩散变换器架构，它将动作生成与视觉世界建模相结合，在LIBERO仿真套件上取得了强劲性能，且无需依赖大型预训练视觉语言模型。
提出了AR-VLA，一个自回归动作专家，它通过长期记忆生成连续的、具有上下文感知能力的机器人策略训练的动作序列，相比反应式VLA模型，提高了轨迹平滑度和任务成功率。