跳到主要内容
BIMANUALEnglish

主题

视觉—语言—动作（VLA）

理解视觉—语言—动作模型如何把环境观察和自然语言指令转化为机器人行动。

视觉—语言—动作模型（Vision-Language-Action，VLA）把图像或视频观察、自然语言指令与机器人动作连接起来，目标是让机器人利用跨模态知识理解任务并生成可执行行为。VLA 是机器人学习与基础模型交叉形成的模型路线，但并不等同于所有机器人基础模型，也不意味着所有控制环节都必须端到端学习。

本主题关注训练数据、动作表示、模型架构、跨机器人与跨任务迁移、推理速度和安全约束，并区分基准成绩、实验室演示与真实环境中的稳定执行能力。

从这里开始

长期指南

什么是机器人基础模型？从 AI 模型到物理智能

机器人基础模型把基础模型思想带入物理系统，解释数据、感知、行动、具身与反馈如何在现实约束下共同工作。

阅读文章 →

相关内容

长期指南

什么是 VLA？Vision-Language-Action 模型如何让机器人理解并执行指令

解释 Vision-Language-Action 模型如何连接语言、视觉与机器人行为，以及它在完整机器人控制架构中的位置。

长期指南

从 LLM 到机器人动作：VLM、VLA、世界模型、强化学习、Sim2Real 和机器人控制到底是什么关系？

用一个“把红色杯子放进盒子”的任务，拆开 LLM、VLM、VLA、世界模型、模仿学习、强化学习、仿真、Sim2Real、规划、策略与控制在 Physical AI 中的分工。

相关公司

Figure AI

Figure AI

查看公司档案 →
最近更新: 2026年8月21日