节目列表: 5分钟快览-具身智能VLA - EarsOnMe

VersaCamVLA-让机器人换个视角也能正确理解这个世界：香港中文大学（深圳），深圳河套学院，哈尔滨工业大学（深圳）

5分钟快览-具身智能VLA

概要：不少模型依赖训练时那套相机布置，相当于习惯了一组固定的监控画面。部署时相机挪了位置，或者增加了视角，原先熟悉的输入方式就被打乱。该研究没有把更多照片直接塞给动作模型，而是先整理出一份统一规格的“场景摘要”。可以把它想成多人从不同角度观察餐桌，再把信息汇总给负责摆放餐具的人。观察者可以变化，汇报格式保持稳定。不过，模型里的摘要不是文字，而是一组供模型使用的内部信息；声明（对本栏目往期发布的作品都适用）：本期音频采用 AI 语音合成，并按平台要求进行标识；内容为发布者基于公开论文整理、分析并审核的独立科普解读，非原论文全文朗读或全文翻译，不代表原作者、所属机构或 arXiv 对本节目的认可、授权或背书。论文名称、作者、原文链接及所解读的具体版本见本期简介；解读仅对应所注明版本，不涵盖其后可能发生的修订或撤回。原论文的相关权利归其权利人所有，节目中介绍的研究方法、实验结果及相关数据来源于原论文，发布者不对原研究成果主张原创；个人分析、推测及辅助理解的生活类比不属于原论文结论，转述研究结果亦不代表已独立复现或验证。科普表达可能有所简化，研究细节、适用条件及限制请结合原文理解，本节目不能替代原论文。发现事实错误、引用不当或其他权益问题，请通过【本期评论区】等方式反馈并说明具体内容；发布者将及时核查，视情况采取更正、补充说明、替换或下架等必要措施；链接：arxiv.org/pdf/2610.12451 ；

4 分钟 78 次播放 4周前

VLA-Precision：基于非对称学习-评估的精细操控强化训练范式-中科大联合其他国家重点实验室、高校以及高新企业

5分钟快览-具身智能VLA

概要：VLA-Precision 先用 BC 的训练范式，全量微调 π0.5，让机器人掌握基本任务；随后进入实机练习，只更新动作模块中的少量参数，并保留第一阶段模型作为参考；该研究提出的核心算法让两部分以不同速度相互促进；更新时，系统关注新动作是否比保留的参考动作更好，而不是追逐一个可能不准确的高分；声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；链接：arxiv.org/pdf/2609.04355 ；

3 分钟 56 次播放 1个月前

TTE-准确感知人机协同交接点：意大利技术研究院、热那亚大学

5分钟快览-具身智能VLA

概要：主要研究了人机配合领域中一个看似简单、实际很关键也很有意思的切入点：对于交接时机的准确感知；声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；链接：arxiv.org/pdf/2609.05282 ；

6 分钟 12 次播放 1个月前

World Tokens：训练阶段借助世界模型，推理阶段保持轻量-中国移动九天研究院、北京中关村学院

5分钟快览-具身智能VLA

概要：主要解决世界模型技术路线下，让机器人在行动前，能够理解“接下来可能发生什么”；但又不希望它每做一个动作，都花大量时间生成未来视频，导致反应变慢；声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；链接：arxiv.org/pdf/2608.09730 ；

5 分钟 39 次播放 1个月前

SLIM-0.5B：让 VLA 感受动作带来的变化，以便用更小模型完成控制-复旦大学、BAAI、清华大学、中国人民大学

5分钟快览-具身智能VLA

概要：一项侧重优化 VLA 学习方式的研究，基于轻量级世界模型的思路，即不预测完整未来画面，而是在隐空间中学习动作与环境变化之间的关系；声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；链接：arxiv.org/pdf/2608.09771 ；

5 分钟 33 次播放 2个月前

VANE：让 VLA 更加稳定地边实践边学习-港中文（深圳）、北邮、中科院自动化所、国科大、理想汽车

5分钟快览-具身智能VLA

概要：聚焦 VLA 与测试时训练（Test-Time Training，TTT）的结合，针对一般 TTT 把不同任务的修正压进同一 Prompts，容易产生任务干扰等问题，以路由提示、未来视觉表征监督和影子验证构建可回滚学习；在模拟环境中测试有明显提升；声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；链接：arxiv.org/abs/2608.09448v1 ；

5 分钟 23 次播放 2个月前

VLA 研究：只用一台全局相机，也能看清局部重点-Synthoid.ai、米兰理工大学

5分钟快览-具身智能VLA

概要：只使用一台固定的全局相机，不修改 VLA 模型的主体结构，只利用机器人本身已经具备的运动学信息，从全局图像中自动裁剪出机械手附近的局部区域，让机器人获得接近腕部相机的手部精细视觉，同时降低数据采集和部署成本；声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；链接：https://arxiv.org/pdf/2603.20668 ；

5 分钟 31 次播放 3个月前

StereoVLA：同时看懂“什么”和“哪里”—Galbot、北大、中科院自动化所、港大、厦大马来分校、南科大

5分钟快览-具身智能VLA

概要：VLA 的空间感知能力提升也算是业内一个研究热点了，因为大部分VLA采用的单目相机虽然能够识别物体及其语义，但缺少明确的几何信息。对于机器人来说，看出“这是一个杯子”还不够，还需要判断杯子距离机械手有多远、应该从哪个方向接近，以及夹爪是否已经准确对准目标；这项工作的核心目标，就是利用双目立体视觉，提升机器人对空间位置、物体深度和相机视角变化的感知能力；声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；链接：arxiv.org/pdf/2512.21970 ；

6 分钟 23 次播放 3个月前

G3T：通过多视图隐先验增加 VLA 空间感知能力-机器智能与先进计算教育部重点实验室、高德、西交大、深圳理工

5分钟快览-具身智能VLA

概要：一般 VLA 采用单目 RGB 相机作为其进行动作决策的观察输入，天然存在深度信息不足的问题；而那些依赖 RGB-D 硬件或 3D 大模型提取深度信息的 VLA 方案，又面临着部署成本高，提取的几何特征噪声大、高维动作空间优化负担重等问题；该研究以此提出了感知与动作双维度协同优化的思路。感知侧借助多视图扩散隐先验补充几何信息，设计基于 Transformer 结构的门控网络结构过滤遮挡噪声；动作侧基于动作流形假设，将预测目标转为有效动作块，简化优化目标，同时兼顾精度与鲁棒性；声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；链接：arxiv.org/pdf/2605.11832 ；

3 分钟 14 次播放 3个月前

TAP：通过构建任务无关预训练方案降低 VLA 标注成本-复旦大学、上海创智学院

5分钟快览-具身智能VLA

概要：大部分传统 VLA 依赖大量人工标注轨迹，成本较高；本文提出 TAP 两阶段训练框架，先用无标注机器人自主交互数据预训练运动先验，少量标注数据对齐语言，大幅降低标注需求且环境扰动鲁棒性更强；声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；链接：arxiv.org/pdf/2607.02466 ；

3 分钟 35 次播放 4个月前

StaKe：有的放矢式地提效 VLA 微调-中国科学院大学、中国科学院自动化研究所、中科第五纪

5分钟快览-具身智能VLA

概要：现有 VLA 微调方式会对所有轨迹点进行“一视同仁”式地调整，易在夹爪切换等需要重点关注的阶段产生问题；本文提出的低成本、插件式 StaKe 框架，自动提取阶段、监督关键帧，不改推理流程，在模拟和实机上都能收到正收益；声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；链接：https://arxiv.org/pdf/2606.26801 ；

3 分钟 13 次播放 4个月前

LA4VLA：让 VLA 模型学会不“看”也能“做”-上海交通大学、阿里巴巴集团、南洋理工大学、阿卜杜拉国王科技大学

5分钟快览-具身智能VLA

概要：现有 VLA 模型依赖视觉捷径、语言指令约束力弱；本文提出无视觉参与的语言动作预训练框架 LA4VLA，自制 33K 数据集，在仿真与真机任务上达到了预期的效果；声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；链接：https://arxiv.org/pdf/2606.27295 ；

3 分钟 25 次播放 4个月前

5分钟快览-具身智能VLA 的全部节目

VersaCamVLA-让机器人换个视角也能正确理解这个世界：香港中文大学（深圳），深圳河套学院，哈尔滨工业大学（深圳）

VLA-Precision：基于非对称学习-评估的精细操控强化训练范式-中科大联合其他国家重点实验室、高校以及高新企业

TTE-准确感知人机协同交接点：意大利技术研究院、热那亚大学

World Tokens：训练阶段借助世界模型，推理阶段保持轻量-中国移动九天研究院、北京中关村学院

SLIM-0.5B：让 VLA 感受动作带来的变化，以便用更小模型完成控制-复旦大学、BAAI、清华大学、中国人民大学

VANE：让 VLA 更加稳定地边实践边学习-港中文（深圳）、北邮、中科院自动化所、国科大、理想汽车

VLA 研究：只用一台全局相机，也能看清局部重点-Synthoid.ai、米兰理工大学

StereoVLA：同时看懂“什么”和“哪里”—Galbot、北大、中科院自动化所、港大、厦大马来分校、南科大

G3T：通过多视图隐先验增加 VLA 空间感知能力-机器智能与先进计算教育部重点实验室、高德、西交大、深圳理工

TAP：通过构建任务无关预训练方案降低 VLA 标注成本-复旦大学、上海创智学院

StaKe：有的放矢式地提效 VLA 微调-中国科学院大学、中国科学院自动化研究所、中科第五纪

LA4VLA：让 VLA 模型学会不“看”也能“做”-上海交通大学、阿里巴巴集团、南洋理工大学、阿卜杜拉国王科技大学

播放列表