2023年7月28日，谷歌DeepMind发布了全球首个控制机器人的视觉语言动作（VLA）模型 RT-2。 其后，这个模型概念快速扩散到智驾领域。 VLA模型是在 视觉语言模型 （VLM）的基础上发 …

本文详细总结了具身智能中 VLA 的主流方案，包括基于经典 Transformer 结构、预训练 LLM/VLM、扩散模型、LLM + 扩散模型、视频生成 + 逆运动学以及不同类型的端到端方案。

2025年3月13日 · 2023年7月28日，Google DeepMind推出了 Robotic Transformer 2 （RT-2），这是一种创新的 视觉-语言-动作 （Vision-Language-Action, VLA）模型，能够从网络和 …

2025年1月6日 · 端到端大模型2.0 - VLA (Vision Language Action) 是一种先进的 多模态 机器学习模型，它结合了视觉、语言和动作三种能力，旨在实现 从感知输入直接映射到机器人控制动 …

2024年12月28日 · 视觉语言动作模型（VLA）：RT-2被广泛认为是首个成功的VLA模型，它首次明确地将视觉、语言和动作三者结合起来，用于指导机器人的实际操作。

近期，智驾行业出现了一个融合了视觉、语言和动作的多模态大模型范式——VLA（Vision-Language-Action Model，即视觉-语言-动作模型），拥有更高的场景推理能力与泛化能力。 不 …

具身智能知识星球,深度聚焦机器人感知决策前沿！ 精选6篇VLA模型突破性研究，覆盖统一预测框架、动态令牌缓存、扩散动作专家、鲁棒视觉生成、双过程架构及通用策略构建方法论。 想 …

基于此，研究团队开发了 RoboMamba —一个端到端的机器人VLA模型，它巧妙地将视觉编码器与Mamba相结合，通过协同训练实现了视觉常识与机器人推理能力的双重提升。 更令人瞩目的 …

2025年2月12日 · 本文详细总结了具身智能中 VLA 的主流方案，包括基于经典 Transformer 结构、预训练 LLM/VLM、扩散模型、LLM + 扩散模型、视频生成 + 逆运动学以及不同类型的端到端 …

2024年9月12日 · OpenVLA，一个7 B参数的开源视觉语言动作模型（VLA），在Open X-Embodiment数据集的970 k机器人集上进行了训练。 OpenVLA为通用机器人操作策略设定了 …