本文研究了利用视觉-语言-动作模型（VLA）进行真实尺度双臂家具装配。作者开发了双臂仿真流水线和VR远程操控系统，以生成高质量示教数据。通过将装配过程分解为语义子任务，优化了装配的精度和效率，解决了误差累积问题。研究还强调了设计因素对装配成功率的影响，并提出了一种进度增强型VLA模型以实现自动化子任务切换。
本文介绍了TrajBooster框架，旨在提升双足人形机器人全身操作能力。通过提取末端执行器轨迹并进行重定向，TrajBooster解决了数据稀缺问题，增强了视觉-语言-动作模型的泛化能力。该方法结合真实与仿真数据，经过二次预训练和微调，使机器人能够在复杂环境中自主执行多样化任务，展现出强大的操作能力和适应性。
Weave Robotic的Isaacs机器人已在洗衣房工作，负责衣物折叠和收纳。它利用视觉-语言-动作模型精准识别衣物，具备自主折叠能力，并计划扩展更多家务功能。创始团队由前苹果高管组成，致力于开发通用家用机器人。
本文介绍了physical intelligence公司推出的实时动作分块技术，旨在提升视觉-语言-动作模型（VLA）的实时控制能力。该技术通过异步机制和修复方法，解决了模型推理延迟和动作不连贯的问题，使机器人能够更精确地执行复杂任务。
本文探讨了通过知识隔离和联合训练提升视觉-语言-动作模型（VLA）性能的方法。研究表明，传统训练方法导致知识损失和推理速度慢。作者提出的知识隔离技术有效保护预训练模型知识，同时使模型适应机器人控制任务，从而加快训练和推理速度。
Hugging Face推出了SmolVLA，一个轻量级的视觉-语言-动作模型，旨在以低成本和高效能实现机器人控制。该模型基于社区数据训练，优化于单GPU或CPU环境，具备低延迟和高成功率，适用于多种机器人平台。SmolVLA的异步推理提高了控制效率，显著降低了计算需求，为未来的机器人学习研究奠定基础。
本研究提出RT-cache，一种新颖的机器人轨迹记忆管道，旨在降低现代视觉-语言-动作模型的推理成本。通过存储成功轨迹并检索相关运动片段，RT-cache显著提高了任务完成速度和成功率。
本文提出了一种名为ConRFT的强化微调方法，旨在提升视觉-语言-动作模型（VLA）在真实环境中的表现。该方法分为离线和在线两个阶段，通过一致性策略解决数据稀缺和不一致性问题。实验结果显示，ConRFT在多个操作任务中的成功率达到96.3%，显著优于传统方法，展示了强化学习在机器人应用中的潜力。
本文讨论了3D VLA及其相关模型，重点介绍了PointVLA的背景和重要性。PointVLA将点云信息融入视觉-语言-动作模型中，提升了机器人在三维空间的感知与操作能力，克服了现有模型对二维输入的依赖。
本研究提出了一种优化的微调方法（OFT），针对视觉-语言-动作模型在新机器人环境中的微调问题，显著提升了模型的推理效率和成功率。OpenVLA-OFT在LIBERO基准测试中的成功率达到97.1%，优于其他同类模型。
德国Sereact获得2500万欧元A轮融资，投资者包括Creandum和Point Nine。该公司开发的AI机器人解决方案可自动化仓库拣选和包装，计划加速视觉语言动作模型(VLAM)的部署，扩展研发和美国市场，以应对劳动力短缺并提升生产力。
AIxiv专栏促进了学术交流，报道了2000多篇内容。新模型RoboVLMs在视觉语言动作模型（VLA）中表现优异，能够在多种任务中稳定发挥。通过合理设计和选择基座模型，RoboVLMs在仿真和真实环境中均取得了出色成绩，展现了未来机器人的潜力。
MineDojo框架在Minecraft中支持多任务目标，结合多模态知识库和代理架构，利用预训练的视频语言模型提升学习效率。多个代理如DECKARD、Voyager、JARVIS-1和STEVE展示了解决复杂任务的能力，成功率显著提高。OmniJARVIS通过视觉-语言-动作模型优化指令跟随，展现出卓越的推理和决策能力。
本研究提出了一种无监督的潜在动作预训练方法（LAPA），无需人工标签，通过无标签视频学习离散动作，并在小规模机器人数据上微调，实验结果优于现有技术，展示了利用网络数据训练机器人模型的潜力。
完成下面两步后，将自动完成登录并继续当前操作。
