这篇是2025年发布的机器人视觉-语言-动作（VLA）模型领域最全面的全栈综述，区别于以往仅聚焦模型架构或动作表示的综述，它完整覆盖了VLA系统从软件算法到硬件部署的全流程，核心目标是为机器人领域研究者和开发者提供VLA模型落地真实世界的系统性指导与实践参考。

一、核心定位与VLA模型的明确定义

1. 研究背景与综述价值

随着大语言模型（LLM）和视觉-语言模型（VLM）的爆发，VLA模型成为机器人具身智能的核心范式——它通过规模化统一视觉、语言、动作三大传统独立的模态，学习能跨任务、物体、机器人本体、环境泛化的策略，让机器人以极少甚至零额外任务数据完成全新下游任务，解决传统机器人方案泛化性差、部署成本高的核心痛点。

2. 严格的VLA模型定义

论文明确了VLA模型的核心边界（Definition I.1）：

• 必需输入：视觉观测 + 自然语言指令，可额外接入本体感知、深度、触觉等辅助模态；

• 核心输出：直接生成机器人底层控制指令，而非仅做高层任务规划、从预定义技能库中做选择；

• 排除范围：仅用视觉语言做高层推理、不落地到动作执行的系统，均不属于本文定义的VLA模型。

二、VLA模型落地的核心底层挑战

论文开篇就明确了制约VLA模型从实验室走向真实世界的四大核心挑战，也是全文综述的核心脉络：

1. 数据瓶颈：同时对齐视觉、语言、动作三模态的大规模高质量数据集极度稀缺；机器人示教数据采集成本高、规模难扩展，而互联网视觉语言数据缺乏动作落地的标注。

2. 本体迁移难题：不同机器人的关节配置、传感器、动作空间差异极大，VLA模型跨机器人本体的策略泛化仍是行业核心难题；人类示教数据也存在动作标注缺失、本体不匹配的问题。

3. 计算与训练成本过高：VLA模型多基于大规模预训练VLM主干，领域适配、下游微调的计算开销极大，普通研究者和开发者难以实现端到端全量训练。

4. 真实世界部署的鲁棒性缺失：现有VLA模型多在受控实验室环境验证，在非结构化真实场景中，面对动态干扰、突发故障、安全边界约束时，可靠性和泛化性严重不足。

三、VLA模型的发展演进与完整架构分类体系

这是论文的核心理论贡献，它梳理了VLA模型从早期CNN方案到现代多模态架构的完整演进路径，并提出了系统化的架构分类法。

1. 技术演进脉络

论文按历史发展将VLA架构分为四个阶段：

• 早期CNN端到端架构：以CLIPort为代表，首次将预训练VLM与端到端操作策略结合，验证了视觉-语言-动作联合学习的可行性，但存在模态融合不充分、规模化能力弱的问题；

• Transformer序列模型阶段：以Gato、RT-1为代表，将多模态数据统一为token，用Transformer实现序列建模，成为VLA模型的基础范式；

• 扩散模型主导的生成式阶段：以Octo、RDT-1B为代表，用扩散模型实现连续、平滑的动作生成，解决了离散动作token的实时性和流畅度缺陷；

• 分层控制与思维链增强阶段：引入高层推理与底层控制的分层架构，通过思维链（CoT）搭建语言指令到底层动作的语义桥梁，提升长时序任务的推理能力。

2. 核心架构分类

论文将主流VLA模型分为三大类，其中核心的感知运动（Sensorimotor）模型又细分为7种主流架构变体，覆盖了当前几乎所有主流VLA方案：

架构大类	核心逻辑	代表模型
感知运动模型（核心主流）	端到端联合学习视觉、语言、动作表征，输入图像+语言直接输出动作，是当前最主流的范式	细分7种变体： 1. Transformer+离散动作Token（RT-1、Gato、VIMA） 2. Transformer+扩散动作头（Octo） 3. 扩散Transformer（RDT-1B） 4. VLM+离散动作Token（RT-2、OpenVLA） 5. VLM+扩散动作头（Diffusion-VLA、DexVLA） 6. VLM+流匹配动作头（π₀、GraspVLA，最新趋势） 7. VLM+扩散Transformer（GR00T N1、CogACT）
世界模型（World Models）	基于语言指令预测未来视觉/状态演化，用预测结果辅助动作生成，提升长时序任务的规划能力	UniPi、GR-1、FLARE
可供性模型（Affordance-based Models）	先基于语言指令预测动作相关的视觉可供性（可操作区域、目标位姿等），再基于可供性生成动作，提升空间定位精度	CLIPort、VoxPoser

同时，论文还详细拆解了VLA模型的模态处理模块：视觉编码主流采用ViT/ResNet预训练主干，语言模块基于开源/闭源预训练LLM，动作模块分为离散token化、连续扩散生成、流匹配三大主流方案，同时覆盖了本体感知、深度等辅助模态的融合策略。

四、VLA模型的完整训练范式与工程实现

论文系统梳理了VLA模型从预训练到推理部署的全流程训练体系，填补了以往综述对工程实现细节的覆盖空白：

1. 三大训练范式：

   • 监督学习（主流）：基于专家示教数据的模仿学习，是当前VLA模型的核心训练方式；

   • 自监督学习：用于视觉表征预训练、动作潜空间学习、语言-视觉对齐，降低对标注数据的依赖；

   • 强化学习：分为端到端微调VLA策略、VLA做高层规划+强化学习做底层控制两类，解决稀疏奖励下的策略优化问题。

2. 两阶段训练流程：

   • 预训练阶段：核心是提升模型的泛化能力，主流方案是基于大规模多模态数据（机器人示教+互联网视觉语言数据+人类视频数据），用预训练VLM做主干，通过多任务辅助损失（目标检测、图像字幕、空间定位）实现领域适配；

   • 后训练阶段：基于机器人/任务专属的高质量数据做微调，主流方案包括全量微调、冻结主干仅微调动作头、LoRA等参数高效微调，平衡性能与计算成本。

3. 推理优化：针对真实世界部署的实时性需求，梳理了异步动作生成、分层提前退出、静态特征缓存等低延迟推理方案。

五、VLA模型的数据体系

数据是VLA模型泛化能力的核心，论文完整覆盖了VLA数据的全链路：

1. 数据采集策略：详细对比了遥操作示教（主流）、主从臂映射、动作捕捉、虚拟示教、仿真数据生成等采集方式的优劣与适用场景；

2. 公开数据集：系统梳理了当前主流的VLA三模态数据集，分析了各数据集的任务类型、模态覆盖、规模、本体适配性，为研究者选型提供参考；

3. 数据增强方法：针对机器人数据稀缺的痛点，总结了视觉增广、动作空间增广、仿真数据增广、弱监督人类视频数据利用等主流方案。

六、真实世界落地全指南

这是这篇综述的核心特色，完全围绕真实世界应用展开，覆盖了落地的全环节：

1. 主流机器人硬件平台：梳理了当前VLA模型适配的主流机器人本体，包括机械臂、移动机器人、人形机器人、双手机器人等，分析了不同本体的VLA适配要点；

2. 评估基准与协议：从仿真环境评估、真实环境评估、世界模型评估三个维度，系统梳理了VLA模型的评估指标、基准测试集、标准化评估流程，解决了当前VLA模型效果对比不规范、不严谨的行业痛点；

3. 真实世界应用场景：总结了VLA模型当前的核心落地场景，包括工业自动化、物流搬运、家庭服务、医疗辅助、自动驾驶等，同时分析了各场景的落地瓶颈与技术需求。

七、从业者实践指南、开放挑战与未来方向

1. 可落地的实践建议：论文专门设置章节，基于全领域的研究成果，给从业者提供了可直接参考的实践指南，包括主干模型选型、数据策略、训练范式选择、架构设计取舍、部署优化等核心环节的最佳实践。

2. 开放挑战与未来研究方向：论文明确了VLA模型走向大规模真实世界应用的核心待解决问题，包括多模态数据扩展、长时序推理能力、持续学习、安全强化学习、部署安全性、故障检测与恢复、标准化评估体系、全场景落地适配等，为领域未来的研究指明了方向。

八、论文的核心贡献

1. 首次提出了VLA模型的标准化定义与边界，厘清了领域的研究范围；

2. 构建了最全面的VLA架构分类体系，完整梳理了技术演进脉络与主流方案的优劣；

3. 实现了VLA系统的全栈覆盖，从算法架构、训练范式，到数据体系、硬件平台、评估基准、落地应用，填补了以往综述对工程落地环节的覆盖空白；

4. 提供了面向真实世界应用的实践指南，同时明确了领域的核心挑战与未来研究方向，为学术研究和产业落地都提供了系统性的参考。