综述:视觉-语言-动作(VLA)模型在机器人操作中的系统综述:五轴设计空间分类、局限性模式与研究空白分析
《Robotics》:Vision–Language–Action Models for Robotic Manipulation: A Critical Review of Design Choices, Evidence, and Emerging Frontiers
【字体:
大
中
小
】
时间:2026年10月21日
来源:Robotics 3.6
摘要
视觉 - 语言 - 动作(VLA)模型旨在统一感知、语言定位和机器人控制,然而由于系统在观测模态、动作接口、执行机制、控制视野和测量边界上差异巨大,近期在机器人操作方面的进展仍然难以比较。统计的分析语料库包括 59 项独特作品:20 个经过设置元组审计的 VLA 系统,8 项基准或评估协议研究,以及 31 项额外的机制或上下文研究。综述种子和一般背景参考不包含在此计数中。我们通过五轴设计空间分类法来组织该领域:(A) 感知编码和空间定位;(B) 动作生成、控制机制和推理 - 控制接口;(C) 训练和适应;(D) 数据来源和具身;(E) 时间视野和稳定化。在这些轴线上,我们综合了五个反复报告的局限性模式——视觉脆弱性、动作退化、静态监督微调局限性、具身差距和长视域崩溃——并将它们归纳为四个研究空白:推理 - 动作解耦、接触下的闭环控制、时空定位和数据/具身不匹配。为了支持可审计的跨论文解释,我们引入了以可比性为先的报告模式、分类法编码手册、核心 VLA 机制的规范伪代码,以及用于校准声明的证据分级政策。我们进一步批评了 LIBERO、SimplerEnv 和 CALVIN 能够和不能建立的内容,表明当前的基准仍然不足以对富接触恢复、视角鲁棒性、具身迁移、长视域稳定性和端到端延迟做出强有力的部署级声明。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号