视觉—语言—动作模型发展现状与前沿进展
Abstract
视觉—语言—动作（vision-language-action，VLA）模型是近年多模态具身智能的重要研究方向，通过联合建模视觉观测、语言指令与动作决策，推动了机器人感知与控制范式的更新。随着具身智能大模型的快速发展，VLA在泛化性和鲁棒性上相较于传统控制方案展现出显著优势，并在理解现实物理世界及交互效果方面取得突破性进展。本文系统梳理了VLA模型的发展背景、核心机制与最新进展，重点讨论了跨模态对齐、从感知到行动的因果建模、基于语言的任务条件化以及动作生成等关键技术领域。同时，结合具身思维链、高效VLA、强化学习与跨动作学习等研究方向，综合分析了当前在该领域的最新进展和探索效果；并从仿真环境、真实机器人与人类视频3个维度总结了VLA模型的数据集与评测基准。最后，围绕数据集质量、仿真到现实的迁移以及跨机器人适配性等核心瓶颈，深入讨论了VLA领域面临的挑战。
Fields of Study & Subjects
Gaze Tracking and Assistive Technology
EEG and Brain-Computer Interfaces
Multimodal Machine Learning Applications
Publication details
- Journal / source
- Journal of Image and Graphics
- Publisher
- Aerospace Information Research Institute, Chinese Academy of Sciences
- Volume
- 31
- Issue
- 6
- Pages
- 1911–1941
- Publication date
- 1 January 2026
- Language
- EN