机器人 AI 技术 VLA 的起源与发展历史

空逐月AI 前沿📡 BestBlogs·AI高分精选⭐ 882026-10-19192 阅读💛 281 收藏
机器人 AI 技术 VLA 的起源与发展历史

📌 One-Sentence Summary

对视觉-语言-动作(VLA)模型的全面技术概述,涵盖了早期的视觉运动策略到现代的世界基础模型。

📝 Summary

本文追溯了 VLA 模型的历史轨迹,将其分为五个不同阶段:VLA 出现之前的视觉运动策略、通过 RT-1 实现的 Transformer 验证、通过 RT-2 正式命名为 VLA、开源爆发,以及当前向人形机器人双系统架构的转变。

💡 Main Points

VLA 并非突然其来的突破,而是将场景感知、指令遵循和动作整合到同一个网络中的范式转移。

它从早期的视觉运动策略(基于 CNN)、视觉-语言对齐(CLIP)以及基于语言的策略(SayCan)演变而来。

RT-1 确立了「Transformer + 语言 + 离散动作」的工程公式,但由于缺乏大型预训练 VLM 主干,并非严格意义 VLA。

它证明了基于 Transformer 的策略可以在机器人上大规模运行,但泛化能力有限。

RT-2 通过将机器人动作标记化为语言模型的词表,标志着 VLA 术语的正式诞生。

它证明了互联网规模的 VLM 预训练可以迁移到物理动作空间,尽管延迟仍然较高。

2024 年是通过 Open-Embodiment 和 OpenVLA 实现开源民主化的一年。

OpenVLA 提供了一个 7B 参数的基准,将 VLA 从闭源演示变为社区可微调的平台。

未来正向双系统架构发展,即由 VLM 处理慢速语义推理,而由低层策略(如流匹配)处理高频控制。

这种转变在最近的 Figure Helix 和波士顿动力 Atlas 项目项目中尤为明显,旨在实现统一的移动与操控。

💬 Key Quotes

VLA(视觉-语言-动作)不是某一天突然出现的模型,而是一种将理解场景、理解指令和输出动作整合到同一个网络中的方式。

RT-2 的关键创新……是将机器人动作转化为语言模型的词表。

它证明了互联网规模的 VLM 预训练可以迁移到物理动作空间。

📊 Article Meta

AI Screening: 88

Source: DEV Community: machinelearning

Author: cognitalk

Category: 人工智能

Language: 英文

Read Time: 10 min

Word Count: 2466

Tags:

AI 与智能应用 , 人形机器人 , 机器学习 , 具身智能 , 历史

#AI 与智能应用# 人形机器人# 机器学习# 具身智能# 历史

文章评论(12)

星寻梦27 天前

思路清晰,干货满满。

回复
星寻梦27 天前

楼主辛苦了,内容很有参考价值。

回复
星寻梦27 天前

不错不错,已加入书签。

回复
龙文博27 天前

楼主辛苦了,内容很有参考价值。

回复
漾漾其华27 天前

很有价值的分享,感谢整理。

回复
拾贝者27 天前

实话,说的不明不白

回复
雪知秋27 天前

作者写得真不错,学到了不少。

回复
杨丽华27 天前

这篇文章分析得很透彻,收藏了!

回复
墨沐雨27 天前

作者写得真不错,学到了不少。

回复
星知秋27 天前

写得挺用心的,支持一下。

回复
林观澜27 天前

收藏了,以后慢慢研究。

回复
杨丽华27 天前

讲解得很细致,新手也能看懂。

回复