标签
InternVLA-A1.5 将预训练的视觉语言模型与潜在空间中的未来预测相结合，以实现具有组合泛化和长视界执行能力的高效机器人操作，在模拟基准测试中取得了最先进的结果。
VLA-Corrector 提出了一种轻量级的检测与纠正推理框架，可在无需重新训练的情况下自适应调整视觉-语言-动作策略中的动作视野，提升机器人操控任务的鲁棒性和效率。
Warp RL 用基于单调有理二次样条流的可逆状态条件变换替代强化学习中的加性残差修正，该变换作用于基础策略的动作分布，从而在动力学偏移下适应分布的形状、尺度和几何结构。在 ManiSkill3 操作任务中，Warp RL 与残差修正性能相当或更优，并在真实机器人插销任务中实现了任务完成速度提高 30%。
3D HAMSTER利用带深度编码的视觉-语言模型生成用于点云控制的三维轨迹，从而增强机器人操作能力，其表现优于二维引导的基线方法。
本文描述了ICRA 2026上LeHome Challenge的获奖解决方案，该方案中双臂机器人通过新颖的强化学习方法学习折叠各种衣物，采用了自包含价值函数、异步训练和大量模拟到真实增强。
Geometric Action Model (GAM) 将预训练的几何基础模型 (GFM) 重新用作语言条件机器人操作的统一骨干，在模拟和真实世界基准测试中，相比现有的基础模型规模基线，实现了更高的准确性、鲁棒性和效率。
研究人员提出APT，一种两阶段训练方法，先在视觉-动作对上预训练动作专家，再整合语言条件，显著提升视觉-语言-动作策略在分布外指令上的泛化能力。
AEGIS 使用激活探针早期预警，在长时域机器人操作中故障累积之前切换到更强的策略，恢复的故障次数是预算匹配升级策略的两倍。
AHA-WAM是一种异步世界动作模型，采用双扩散Transformer将世界预测与动作执行解耦，实现了高效的长视野规划和实时控制。它在机器人操作任务上达到了最先进的性能，在RoboTwin上成功率达92.8%，在现实世界任务中达78.3%，同时实现了24.17 Hz的闭环控制。
本文提出了几何基本结构（GPS），这是一种用于机器人操作中关节部件感知的新表示方法，支持高效的VR标注，无需微调即可达到73%的成功率。
Light-WAM是一种轻量级世界动作模型，用于高效机器人操作。它采用紧凑视频骨干网络和降采样潜在空间进行未来视频监督，在保持低推理延迟的同时实现了高性能。
VoLoAgent 将视觉语言模型与机器人能力相结合，用于开放词汇长程操作任务，引入了一个物理编排器，该编排器使用可中断工具进行规划、监控和恢复，并提出了一个名为 RoboVoLo 的基准用于评估。
TBD-VLA 提出了一种离散的视觉-语言-动作框架，结合了块扩散与自回归生成，以实现高效的时序动作建模和更快的推理速度，在仿真和真实世界的操作任务中显著优于之前的 VLA 方法。
Dream.exe 提出了一种评估框架，利用机器人操控任务来评估视频生成模型对物理现实的理解，结果发现视觉质量并不能预测可执行运动的准确性。
AFUN 提出了一种可供性基础模型，该模型从 RGB-D 观测和语言描述中预测功能掩码和 3D 运动曲线，从而能够在多种环境中实现泛化的机器人操作。该模型在多个基准测试上优于基线方法，并且无需微调即可部署到实际任务中。
RoboSemanticBench 是一个基准测试，用于诊断视觉-语言-动作模型在动作预测中的语义基础，揭示机器人虽然能够抓取物体，但无法根据指令语义选择语义上正确的目标。
IntentVLA 是一种历史条件视觉-语言-动作框架，通过从视觉观察中编码短期意图来提高机器人模仿学习的稳定性，解决了部分可观察性和模糊观察带来的挑战。它还引入了 AliasBench，这是一个用于评估此类方法的模糊感知基准。
RoboEvolve是一个框架，它协同进化VLM规划器和VGM模拟器用于机器人操作，仅用500张无标签种子图像就实现了数据效率以及鲁棒的持续学习。
Google DeepMind 推出 Gemini Robotics On-Device，这是一个高效的 VLA 模型，可以在机器人设备上本地运行，实现低延迟操作和离线功能，同时保持强大的灵巧操控能力和任务泛化能力。该模型可以通过仅 50-100 个演示进行微调，并附带供开发者使用的 SDK。