面向具身智能的视觉-语言-动作模型动作表征和生成策略综述

doi:10.11772/j.issn.1001-9081.2025070900

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (8): 2383-2393.DOI: 10.11772/j.issn.1001-9081.2025070900

• 人工智能 • 下一篇

面向具身智能的视觉-语言-动作模型动作表征和生成策略综述

张文涛¹^,², 孙奥兰¹, 瞿晓阳¹, 张旭龙¹, 王健宗¹()

^1.平安科技（深圳）有限公司，广东深圳 518046
^2.清华大学深圳国际研究生院，广东深圳 518055

收稿日期:2025-08-07 修回日期:2025-09-19 接受日期:2025-09-22 发布日期:2025-11-05 出版日期:2026-08-10
通讯作者: 王健宗
作者简介:张文涛（2001—），男，江西上饶人，硕士研究生，主要研究方向：大模型、具身智能
孙奥兰（1996—），女，河北唐山人，工程师，硕士，主要研究方向：大模型、信号处理、具身智能
瞿晓阳（1988—），男，湖北随州人，博士，CCF会员，主要研究方向：大模型、体系结构、具身智能
张旭龙（1988—），男，河南许昌人，博士，CCF会员，主要研究方向：大模型、具身智能、跨模态智能计算
第一联系人：王健宗（1983—），男，湖北天门人，正高级工程师，博士，CCF高级会员，主要研究方向：大模型、联邦学习、深度学习。
基金资助:
深港联合资助项目（A类）(SGDX20240115103359001)

Survey on action representation and generation strategies in vision-language-action models for embodied intelligence

Wentao ZHANG¹^,², Aolan SUN¹, Xiaoyang QU¹, Xulong ZHANG¹, Jianzong WANG¹()

^1.Ping An Technology （Shenzhen） Company Limited，Shenzhen Guangdong 518046，China
^2.Tsinghua Shenzhen International Graduate School，Shenzhen Guangdong 518055，China

Received:2025-08-07 Revised:2025-09-19 Accepted:2025-09-22 Online:2025-11-05 Published:2026-08-10
Contact: Jianzong WANG
About author:ZHANG Wentao， born in 2001， M. S. candidate. His research interests include large models， embodied intelligence.
SUN Aolan， born in 1996， M. S.， engineer. Her research interests include large models， signal processing， embodied intelligence.
QU Xiaoyang， born in 1988， Ph. D. His research interests include large models， architecture， embodied intelligence.
ZHANG Xulong， born in 1988， Ph. D. His research interests include large models， embodied intelligence， cross-modal intelligent computing.
Supported by:
Shenzhen-Hong Kong Joint Funding Project （Category A）(SGDX20240115103359001)

摘要/Abstract

摘要：

视觉-语言-动作（VLA）模型是实现具身智能的核心路径，它们的核心是将多模态感知理解无缝转化为物理世界的具体行动。然而，VLA模型的动作表征与生成策略作为连接“感知”与“执行”的枢纽环节，面临着高维连续空间、动作多样性与机器人实时控制需求间的复杂挑战。因此，系统性地梳理和总结VLA模型中动作表征和生成策略的演进脉络、核心技术与未来方向；同时，详细剖析离散和连续两种动作表征方式以及自回归、非自回归和混合动作生成策略，并深入探讨它们在动作精度、生成多样性与推理效率之间的内在权衡；此外，总结面向实时控制的新兴高效策略，如混合生成架构。最后，通过比较分析，对现有技术图景进行总结，并展望未来VLA模型在与世界模型结合和跨机器人形态通用表征等方向上的前沿挑战与研究机遇，旨在为构建更通用且更高效的具身智能体提供参考。

关键词: 具身智能, 视觉-语言-动作模型, 动作表征, 生成策略

Abstract:

Vision-Language-Action （VLA） models are critical pathway to realize embodied intelligence， with their core of seamless transformation of multimodal perception and understanding into concrete actions in the physical world. However， action representation and generation strategies of VLA models， serving as the pivotal bridge between “perception” and “execution”， face complex challenges among the high-dimensional continuous spaces， the diversity of action modalities， and the stringent demands of real-time robotic control. Therefore， this survey sorted and summarized a systematic review of the evolution， key methodologies， and future directions of action representation and generation strategies in VLA models. At the same time， we analyzed discrete and continuous action representations in detail， as well as autoregressive， non-autoregressive， and hybrid action generation strategies， highlighting their inherent trade-offs in terms of action precision， generation diversity， and reasoning efficiency. In addition， we summed up emerging high-efficiency strategies for real-time control， such as hybrid generation architecture. Finally， we presented a summary of the current technological landscape and prospected frontier challenges and research opportunities of VLA models integrating with world models and the development of cross-robot generalized representations， aiming to provide a reference for constructing more general and efficient embodied agents.

Key words: embodied intelligence, Visual-Language-Action (VLA) model, action representation, generation strategy

中图分类号:

TP18

张文涛, 孙奥兰, 瞿晓阳, 张旭龙, 王健宗. 面向具身智能的视觉-语言-动作模型动作表征和生成策略综述[J]. 计算机应用, 2026, 46(8): 2383-2393.

Wentao ZHANG, Aolan SUN, Xiaoyang QU, Xulong ZHANG, Jianzong WANG. Survey on action representation and generation strategies in vision-language-action models for embodied intelligence[J]. Journal of Computer Applications, 2026, 46(8): 2383-2393.

图/表 8

图1 近年VLA模型相关论文的发文量

Fig. 1 Number of VLA model publications in recent years

图2 VLA模型的经典框架

Fig. 2 Classical framework for VLA models

图3 VLA模型中的动作表征和生成策略

Fig. 3 Action representation and generation strategies in VLA models

表1 典型模型所用的离散动作表征

Tab. 1 Discretized action representation used in typical models

年份	模型	核心范式	平台	任务领域	动作空间类型	动作维度	离散区间	存在的问题
2022	RT-1^［3］	模仿学习	移动机械臂	移动操作	末端执行器位置、姿态+移动盘	11	256	模仿学习上限、泛化局限
2022	Gato^［27］	通用监督学习	Sawyer机械臂等	机器人操作、游戏、对话	末端执行器速度控制+夹爪控制	5	1 024	上下文长度限制、推理速度慢
2023	RT-2^［4］	VLM共同微调	移动机械臂	语义驱动的操作	末端执行器位置、姿态+移动盘	11	256	物理技能局限、计算成本高
2023	Q-Transformer^［28］	离线强化学习	移动机械臂	多任务操作	末端执行器位置、姿态、夹爪	8	256	奖励函数局限、高维动作局限
2024	OpenVLA^［5］	VLM微调	多种机械臂	跨物理形态的操作	末端执行器位置、姿态+夹爪	7	256	仅支持单图像、推理效率低
2025	Humanoid-VLA^［29］	语言-运动对齐	人形机器人	移动-操作	全身运动姿态	24	1 024	数据质量数量有限、依赖底层RL策略
2025	JARVIS-VLA^［30］	ActVLP	虚拟智能体	游戏操作	键盘与鼠标	—	51	推理慢、与顶尖人类玩家差距大

表2 典型模型所用的连续动作表征

Tab. 2 Continuous action representations for typical models

年份	代表模型	核心范式	平台	任务领域	动作维度	表征方法类型	存在的问题
2023	ACT^［18］	模仿学习	机械臂	精细双臂操作	14	条件变分	硬件局限、感知挑战
2024	Octo^［6］	模仿学习	机械臂	跨物理形态的通用操作	7/14	条件扩散	手腕摄像头处理不佳、依赖演示数据
2024	$π 0$ ^［37］	VLM微调	机械臂、移动机器人	高灵巧度、长时程操作	18	条件流匹配	严重依赖大规模、部分不开源的高质量演示数据
2025	HybridVLA^［38］	协同训练	机械臂	通用桌面操作	7/14	混合生成	推理速度受限
2025	DexVLA^［39］	具身课程学习	机械臂、灵巧手机器人	跨物理形态的灵巧操作	—	多头扩散	在涉及频繁接触的复杂场景中适用性有限

表2 典型模型所用的连续动作表征

Tab. 2 Continuous action representations for typical models

年份	代表模型	核心范式	平台	任务领域	动作维度	表征方法类型	存在的问题
2023	ACT^［18］	模仿学习	机械臂	精细双臂操作	14	条件变分	硬件局限、感知挑战
2024	Octo^［6］	模仿学习	机械臂	跨物理形态的通用操作	7/14	条件扩散	手腕摄像头处理不佳、依赖演示数据
2024	$π 0$ ^［37］	VLM微调	机械臂、移动机器人	高灵巧度、长时程操作	18	条件流匹配	严重依赖大规模、部分不开源的高质量演示数据
2025	HybridVLA^［38］	协同训练	机械臂	通用桌面操作	7/14	混合生成	推理速度受限
2025	DexVLA^［39］	具身课程学习	机械臂、灵巧手机器人	跨物理形态的灵巧操作	—	多头扩散	在涉及频繁接触的复杂场景中适用性有限

图4 VLA模型中的动作生成策略

Fig. 4 Action generation strategies in VLA models

表3 LIBERO数据集典型VLA模型评估 (%)

Tab. 3 Evaluation of typical VLA models on LIBERO dataset

动作类型	VLA模型	平均成功率
连续	Diffusion Policy^［19］	72.4
	Octo^［6］	75.1
	DiT Policy^［76］	82.4
	OpenVLA-OFT^［13］	95.4
	$π 0$ ^［37］	94.2
离散	OpenVLA^［5］	76.5
离散	WorldVLA^［77］	79.1

表3 LIBERO数据集典型VLA模型评估 (%)

Tab. 3 Evaluation of typical VLA models on LIBERO dataset

动作类型	VLA模型	平均成功率
连续	Diffusion Policy^［19］	72.4
	Octo^［6］	75.1
	DiT Policy^［76］	82.4
	OpenVLA-OFT^［13］	95.4
	$π 0$ ^［37］	94.2
离散	OpenVLA^［5］	76.5
离散	WorldVLA^［77］	79.1

表4 Open X-Embodiment数据集典型VLA模型评估 (%)

Tab. 4 Evaluation of typical VLA models on Open X-Embodiment

动作类型	VLA模型	平均成功率
连续	Octo-Base ^［6］	16.8
连续	$π 0$ ^［37］	70.1
离散	RT-1^［3］	6.8
	TraceVLA^［78］	42.0
	RT-1-X^［56］	53.4
	RT-2-X^［56］	60.7
	OpenVLA^［5］	27.7

表4 Open X-Embodiment数据集典型VLA模型评估 (%)

Tab. 4 Evaluation of typical VLA models on Open X-Embodiment

动作类型	VLA模型	平均成功率
连续	Octo-Base ^［6］	16.8
连续	$π 0$ ^［37］	70.1
离散	RT-1^［3］	6.8
	TraceVLA^［78］	42.0
	RT-1-X^［56］	53.4
	RT-2-X^［56］	60.7
	OpenVLA^［5］	27.7

参考文献 88

[1]	Roumeliotis K I， Tselikas N D. ChatGPT and Open-AI models： a preliminary review［J］. Future Internet， 2023， 15（6）： No.192.
[2]	Stone A， Xiao T， Lu Y， et al. Open-world object manipulation using pre-trained vision-language models［J］. Journal of Machine Learning Research， 2023， 229： 3397-3417.
[3]	Brohan A， Brown N， Carbajal J， et al. RT-1： robotics Transformer for real-world control at scale［EB/OL］. （2023-07）［2025-10-30］..
[4]	Brohan A， Brown N， Carbajal J， et al. RT-2： vision-language-action models transfer web knowledge to robotic control［J］. Journal of Machine Learning Research， 2023， 229： 2165-2183.
[5]	Kim M J， Pertsch K， Karamcheti S， et al. OpenVLA： an open-source vision-language-action model［J］. Journal of Machine Learning Research， 2025， 270： 2679-2713.
[6]	Ghosh D， Walke H， Pertsch K， et al. Octo： an open-source generalist robot policy［EB/OL］. （2024-05-20）［2025-10-30］..
[7]	Sapkota R， Cao Y， Roumeliotis K I， et al. Vision-language-action models： concepts， progress， applications and challenges［PP/OL］. V1. arXiv （2025-05-07）［2025-05-10］..
[8]	赵博涛，亢祖衡，瞿晓阳，等. 基于多模态大模型的具身智能体研究进展与展望［J］. 大数据， 2025， 11（3）： 108-138.
	Zhao Botao， Kang Zuheng， Qu Xiaoyang， et al. Review and emerging trends of embodied agent based on multimodal large language models［J］. Big Data Research， 2025， 11（3）： 108-138.
[9]	Zhong Y， Bai F， Cai S， et al. A survey on vision-language-action models： an action tokenization perspective［PP/OL］. V1. arXiv （2025-07-02）［2025-07-08］..
[10]	Liu Y， Chen W， Bai Y， et al. Aligning cyber space with physical world： a comprehensive survey on embodied AI［J］. IEEE/ASME Transactions on Mechatronics， 2025， 30（6）： 7253-7274.
[11]	Han K， Wang Y， Chen H， et al. A survey on Vision Transformer［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（1）： 87-110.
[12]	Liu H， Li C， Wu Q， et al. Visual instruction tuning［C］// NeurIPS 2023. Red Hook： Curran Associates Inc.， 2023： 34892-34916.
[13]	Kim M J， Finn C， Liang P. Fine-tuning vision-language-action models： optimizing speed and success［EB/OL］. （2025-02-27）［2025-07-02］..
[14]	Zhang Z， Zheng K， Chen Z， et al. GRAPE： generalizing robot policy via preference alignment［PP/OL］. V2. arXiv （2025-02-04）［2025-07-02］..
[15]	Katiyar N. A model-driven framework for domain-specific adaptation of time series forecasting pipeline［D/OL］. ［2025-07-02］..
[16]	Shridhar M， Manuelli L， Fox D. CLIPort： what and where pathways for robotic manipulation［J］. Journal of Machine Learning Research， 2022， 164： 894-906.
[17]	NVIDIA. GR00T N1： an open foundation model for generalist humanoid robots［EB/OL］. （2025-03-18）［2025-06-08］..
[18]	Zhao T Z， Kumar V， Levine S， et al. Learning fine-grained bimanual manipulation with low-cost hardware［EB/OL］. （2023-04-23）［2025-10-30］..
[19]	Chi C， Xu Z， Feng S， et al. Diffusion policy： visuomotor policy learning via action diffusion［J］. The International Journal of Robotics Research， 2023， 44（10/11）： 1684-1704.
[20]	Pertsch K， Stachowicz K， Ichter B， et al. FAST： efficient action tokenization for vision-language-action models［PP/OL］. （2025-02-06）［2025-07-08］..
[21]	Gao J， Belkhale S， Dasari S， et al. A taxonomy for evaluating generalist robot manipulation policies［J］. IEEE Robotics and Automation Letters， 2026， 11（3）： 3182-3189.
[22]	Chen B， Xu Z， Kirmani S， et al. SpatialVLM： endowing vision-language models with spatial reasoning capabilities［C］// CVPR 2024. Piscataway： IEEE， 2024： 14455-14465.
[23]	Fan C， Jia X， Sun Y， et al. Interleave-VLA： enhancing robot manipulation with interleaved image-text instructions［PP/OL］. V2. arXiv （2025-08-08）［2025-06-08］..
[24]	Cheng H， Xiao E， Yu C， et al. Manipulation facing threats： evaluating physical vulnerabilities in end-to-end vision language action models［PP/OL］. V2. arXiv （2024-11-04）［2025-07-10］..
[25]	Firoozi R， Tucker J， Tian S， et al. Foundation models in robotics： applications， challenges， and the future［J］. The International Journal of Robotics Research， 2025， 44（5）： 701-739.
[26]	Hu Y， Xie Q， Jain V， et al. Toward general-purpose robots via foundation models： a survey and meta-analysis［PP/OL］. V3. arXiv （2025-02-06）［2025-07-08］..
[27]	Reed S， Żołna K， Parisotto E， et al. A generalist agent［PP/OL］. V3. arXiv （2022-11-11）［2025-07-08］..
[28]	Chebotar Y， Vuong Q， Hausman K， et al. Q-Transformer： scalable offline reinforcement learning via autoregressive Q-functions［J］. Journal of Machine Learning Research， 2023， 229： 3909-3928.
[29]	Ding P， Ma J， Tong X， et al. Humanoid-VLA： towards universal humanoid control with visual integration［PP/OL］. V2. arXiv （2025-02-21）［2025-07-08］..
[30]	Li M， Wang Z， He K， et al. Jarvis-VLA： post-training large-scale vision language models to play visual games with keyboards and mouse［C］// Findings of the Association for Computational Linguistics： ACL 2025. Stroudsburg： ACL， 2025： 17878-17899.
[31]	Gu Z， Li J， Shen W， et al. Humanoid locomotion and manipulation： current progress and challenges in control， planning， and learning［J］. IEEE/ASME Transactions on Mechatronics， 2026， 31（2）： 2300-2330.
[32]	Nie Y， Li L， Gan Z， et al. MLP architectures for vision-and-language modeling： an empirical study［PP/OL］. V1. arXiv （2021-12-08）［2025-06-05］..
[33]	Li X， Wang S， Chen C， et al. RoboFlamingo-Plus： fusion of depth and RGB perception with vision-language models for enhanced robotic manipulation［C］// RCAR 2025. Piscataway： IEEE， 2025： 311-316.
[34]	Ren A Z， Lidard J， Ankile L L， et al. Diffusion policy policy optimization［PP/OL］. V3. arXiv （2024-12-09）［2025-07-08］..
[35]	Guo Y， Zhang J， Chen X， et al. Improving vision-language-action model with online reinforcement learning［C］// ICRA 2025. Piscataway： IEEE， 2025： 15665-15672.
[36]	Chiang H T L， Xu Z， Fu Z， et al. Mobility VLA： multimodal instruction navigation with long-context VLMs and topological graphs［PP/OL］. V2. arXiv （2014-07-12）［2025-07-10］..
[37]	Black K， Brown N， Driess D， et al. π 0 ： a vision-language-action flow model for general robot control［PP/OL］. V3. arXiv （2024-11-13）［2025-07-08］. .
[38]	Liu J， Chen H， An P， et al. HybridVLA： collaborative diffusion and autoregression in a unified vision-language-action model［PP/OL］. V3. arXiv （2025-06-23）［2025-07-08］..
[39]	Wen J， Zhu Y， Li J， et al. DexVLA： vision-language model with plug-in diffusion expert for general robot control［PP/OL］. V1. arXiv （2025-02-06）［2025-06-20］..
[40]	Zhao Q， Lu Y， Kim M J， et al. Cot-VLA： visual chain-of-thought reasoning for vision-language-action models［C］// CVPR 2025. Piscataway： IEEE， 2025： 1702-1713.
[41]	Li Z， Wu X， Du H， et al. Benchmark evaluations， applications， and challenges of large vision language models： a survey［PP/OL］. V4. arXiv （2025-03-13）［2025-06-18］..
[42]	Gbagbe K F， Cabrera M A， Alabbas A， et al. Bi-VLA： vision-language-action model-based system for bimanual robotic dexterous manipulations［C］// SMC 2024. Piscataway： IEEE， 2024： 2864-2869.
[43]	Xiang T Y， Jin A Q， Zhou X H， et al. VLA model-expert collaboration for bi-directional manipulation learning［PP/OL］. V1. arXiv （2025-03-06）［2025-08-01］..
[44]	Driess D， Springenberg J T， Ichter B， et al. Knowledge insulating vision-language-action models： train fast， run fast， generalize better［PP/OL］. V1. arXiv （2025-03-29）［2025-06-08］..
[45]	Liu S， Wu L， Li B， et al. RDT-1B： a diffusion foundation model for bimanual manipulation［PP/OL］. V2. arXiv （2025-03-01）［2025-07-08］..
[46]	Devlin J， Chang M W， Lee K， et al. BERT： pre-training of deep bidirectional Transformers for language understanding［C］// NAACL-HLT 2019， Volume 1 （Long and Short Papers）. Stroudsburg： ACL， 2019： 4171-4186.
[47]	Radford A， Wu J， Child R， et al. Language models are unsupervised multitask learners［EB/OL］. ［2025-06-08］..
[48]	Brown T， Mann B， Ryder N， et al. Language models are few-shot learners［C］// NeurIPS 2020. Red Hook： Curran Associates Inc.， 2020： 1877-1901.
[49]	Jiang Y， Gupta A， Zhang Z， et al. VIMA： general robot manipulation with multimodal prompts［EB/OL］. （2023-02-02）［2025-07-08］..
[50]	Xu Z， Wu K， Wen J， et al. A survey on robotics with foundation models： toward embodied AI［PP/OL］. V1. arXiv （2024-02-04）［2025-05-08］..
[51]	Zhou Z， Zhu Y， Zhu M， et al. ChatVLA： unified multimodal understanding and robot control with vision-language-action model［PP/OL］. V2. arXiv （2025-02-21）［2025-06-10］..
[52]	Guruprasad P， Sikka H， Song J， et al. Benchmarking vision， language， & action models on robotic learning tasks［PP/OL］. V2. arXiv （2025-12-08）［2025-06-08］..
[53]	O’Neill A， Rehman A， Maddukuri A， et al. Open X-Embodiment： robotic learning datasets and RT-X models： Open X-Embodiment Collaboration⁰ ［C］// ICRA 2024. Piscataway： IEEE， 2024： 6892-6903.
[54]	Ke T W， Gkanatsios N， Fragkiadaki K. 3D Diffuser Actor： policy diffusion with 3D scene representations［PP/OL］. V3. arXiv （2024-07-25）［2025-06-08］..
[55]	Ding P， Zhao H， Zhang W， et al. QUAR-VLA： vision-language-action model for quadruped robots［C］// ECCV 2024， LNCS 15063. Cham： Springer， 2024： 352-367.
[56]	Ju C， Wang H， Cheng H， et al. Turbo： informativity-driven acceleration plug-in for vision-language large models［C］// ECCV 2024， LNCS 15104. Cham： Springer， 2024： 436-455.
[57]	Zhang T， Hu Y， Cui H， et al. A universal semantic-geometric representation for robotic manipulation［J］. Journal of Machine Learning Research， 2023， 229： 3342-3363.
[58]	Xu S， Wang Y， Xia C， et al. VLA-Cache： towards efficient vision-language-action model via adaptive token caching in robotic manipulation［PP/OL］. V1. arXiv （2025-02-04）［2025-07-01］..
[59]	Ho J， Jain A， Abbeel P. Denoising diffusion probabilistic models［C］// NeurIPS 2020. Red Hook： Curran Associates Inc.， 2020： 6840-6851.
[60]	Nichol A， Dhariwal P. Improved denoising diffusion probabilistic models［J］. Journal of Machine Learning Research， 2021， 139： 8162-8171.
[61]	Choi J， Kim S， Jeong Y， et al. ILVR： conditioning method for denoising diffusion probabilistic models［C］// ICCV 2021. Piscataway： IEEE， 2021： 14347-14356.
[62]	Reuss M， Yağmurlu Ö E， Wenzel F， et al. Multimodal diffusion Transformer： learning versatile behavior from multimodal goals［EB/OL］. （2024-06-08）［2025-06-08］..
[63]	Peebles W， Xie S. Scalable diffusion models with Transformers［C］// ICCV 2023. Piscataway： IEEE， 2023： 4172-4182.
[64]	Li Q， Liang Y， Wang Z， et al. CogACT： a foundational vision-language-action model for synergizing cognition and action in robotic manipulation［PP/OL］. V1. arXiv （2024-11-29）［2025-06-08］..
[65]	Wu J， Zhong M， Xing S， et al. VisionLLM v2： an end-to-end generalist multimodal large language model for hundreds of vision-language tasks［C］// NeurIPS 2024. Red Hook： Curran Associates Inc.， 2024： 69925-69975.
[66]	Esser P， Rombach R， Ommer B. Taming Transformers for high-resolution image synthesis［C］// CVPR 2021. Piscataway： IEEE， 2021： 12868-12878.
[67]	Bolya D， Huang P Y， Sun P， et al. Perception encoder： the best visual embeddings are not at the output of the network［PP/OL］. V2. arXiv （2025-04-28）［2025-06-10］..
[68]	Lipman Y， Chen R T Q， Ben-Hamu H， et al. Flow matching for generative modeling［EB/OL］. （2023-02-02）［2025-07-08］..
[69]	Gat I， Remez T， Shaul N， et al. Discrete flow matching［C］// NeurIPS 2024. Red Hook： Curran Associates Inc.， 2024： 133345-133385.
[70]	Deng S， Yan M， Wei S， et al. GraspVLA： a grasping foundation model pre-trained on billion-scale synthetic action data［PP/OL］. V3. arXiv （2025-08-27）［2025-09-08］..
[71]	Wen J， Zhu Y， Li J， et al. TinyVLA： towards fast， data-efficient vision-language-action models for robotic manipulation［J］. IEEE Robotics and Automation Letters， 2025， 10（4）： 3988-3995.
[72]	Zhang B， Zhang Y， Ji J， et al. SafeVLA： towards safety alignment of vision-language-action model via constrained learning［PP/OL］. V2. arXiv （2025-05-31）［2025-06-08］..
[73]	Li X， Liu M， Zhang H， et al. Vision-language foundation models as effective robot imitators［PP/OL］. V3. arXiv （2024-02-05）［2025-07-08］..
[74]	Chen L， Lu K， Rajeswaran A， et al. Decision Transformer： reinforcement learning via sequence modeling［C］// NeurIPS 2021. Red Hook： Curran Associates Inc.， 2021： 15084-15097.
[75]	Liu B， Zhu Y， Gao C， et al. LIBERO： benchmarking knowledge transfer for lifelong robot learning［C］// NeurIPS 2023. Red Hook： Curran Associates Inc.， 2023： 44776-44791.
[76]	Hou Z， Zhang T， Xiong Y， et al. Diffusion Transformer policy［PP/OL］. V6. arXiv （2025-03-23）［2025-07-12］..
[77]	Cen J， Yu C， Yuan H， et al. WorldVLA： towards autoregressive action world model［PP/OL］. V1. arXiv （2025-06-26）［2025-09-12］..
[78]	Zheng R， Liang Y， Huang S， et al. TraceVLA： visual trace prompting enhances spatial-temporal awareness for generalist robotic policies［PP/OL］. V3. arXiv （2025-06-05）［2025-06-18］..
[79]	Li X， Li P， Liu M， et al. Towards generalist robot policies： what matters in building vision-language-action models［PP/OL］. V3. arXiv （2025-12-24）［2025-07-08］..
[80]	Intelligence Physical. π 0.5 ： a vision-language-action model with open-world generalization［PP/OL］. V1. arXiv （2025-03-22）［2025-06-08］..
[81]	Fan L， Chen K， Xu Z， et al. Language reasoning in vision-language-action model for robotic grasping［C］// CAC 2024. Piscataway： IEEE， 2024： 6656-6661.
[82]	Ma Y， Song Z， Zhuang Y， et al. A survey on vision-language-action models for embodied AI［J］. IEEE Transactions on Neural Networks and Learning Systems， 2026（Early Access）： 1-21.
[83]	Zhou X， Han X， Yang F， et al. OpenDriveVLA： towards end-to-end autonomous driving with large vision language action model［PP/OL］. V1. arXiv （2025-03-30）［2025-07-15］..
[84]	Zhen H， Qiu X， Chen P， et al. 3D-VLA： a 3D vision-language-action generative world model［J］. Proceedings of Machine Learning Research， 2024， 235： 61229-61245.
[85]	Huang J， Yong S， Ma X， et al. An embodied generalist agent in 3D world［J］. Proceedings of Machine Learning Research， 2024， 235： 20413-20451.
[86]	Patel D， Eghbalzadeh H， Kamra N， et al. Pretrained language models as visual planners for human assistance［C］// ICCV 2023. Piscataway： IEEE， 2023： 15256-15268.
[87]	Zhou Y， Wang S， Dai S， et al. CHOP： mobile operating assistant with constrained high-frequency optimized subtask planning［PP/OL］. V1. arXiv （2025-03-05）［2025-06-20］..
[88]	Wang Z， Zhou Z， Song J， et al. Towards testing and evaluating vision-language-action models for robotic manipulation： an empirical study［PP/OL］. V1. arXiv （2024-09-19）［2025-06-18］..

面向具身智能的视觉-语言-动作模型动作表征和生成策略综述

Survey on action representation and generation strategies in vision-language-action models for embodied intelligence

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 88

相关文章 3

编辑推荐

Metrics

[1]	张仲华, 赵福媛, 郭钧枫, 赵高长. 柯西自适应回溯搜索与最小二乘支持向量机的集成预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1829-1836.
[2]	王中玉, 曾国辉, 黄勃, 方志军. 改进A^*算法的机器人全局最优路径规划[J]. 计算机应用, 2019, 39(9): 2517-2522.
[3]	霍莉萍，郭成城. Web Server应答负载的生成策略[J]. 计算机应用, 2005, 25(06): 1458-1460.