本研究提出了SafeVLA算法，旨在解决视觉语言行动模型的安全挑战。该算法通过大型约束学习，在模拟环境中有效平衡安全性与任务性能，显著减少危险行为，并在安全性和任务表现上优于现有方法。此方法能够在多样化未知场景中推广学习到的安全约束，降低长尾风险。

本文探讨了大型语言模型（LLMs）与视觉-语言模型（VLM）在机器人操作中的应用，提出了视觉语言行动模型（VLA），通过自然语言与机器人动作的结合，提升了机器人在复杂任务中的表现。研究表明，LLMs具备理解低级控制能力，并能有效进行轨迹规划。OpenVLA模型在多样化数据集上表现优异，展示了其在新环境中的强泛化能力和计算效率，为机器人技能教学提供了新方法。

视觉语言行动模型（VLA）将机器人动作表示为文本标记，与自然语言回答统一格式，实现单一端到端训练。以RT-2为例，该模型能泛化到新物体、理解未训练指令并进行初步语义推理，还可通过思维链完成多阶段推理。多项研究进一步探索大语言模型与视觉模型结合，用于机器人规划、长视程任务和终身学习。

该文综述开放词汇移动操作与机器人基础模型研究：HomeRobot基准通过语义分割、放置策略和启发式改进显著提升成功率；RT-2将动作表示为文本标记，实现端到端视觉语言行动模型并展现新兴泛化与推理能力；MOO、PhysObjects、RoboFlamingo、ViLa、HuBo-VLM及动态知识更新等方法分别提升零样本操作、物理概念规划、视觉语言控制和人机交互感知性能。

该文介绍了一种名为视觉语言行动模型（VLA）的机器人控制模型，通过在互联网规模的数据上训练视觉语言模型，将其直接融入端到端的机器人控制中，提高泛化能力和实现新兴的语义推理。该模型可以对新对象进行泛化，解释不在机器人训练数据中的命令，并对用户指令做出初步推理。同时，该模型还可以进行多阶段的语义推理。