Green-VLA: Staged Vision-Language-Action Model for Generalist Robots

Green-VLA是面向人形Green机器人的分阶段视觉-语言-动作框架，同时保持跨多种具身形态的泛化能力。该框架遵循五阶段课程学习：L0基础VLM、L1多模态接地、R0多具身预训练、R1具身特定适配、R2基于RL的策略对齐。通过逐步构建语义和物理先验、学习共享表示，Green-VLA在真实世界部署中展现出强大的泛化能力和任务执行能力，适用于人形机器人操作、导航和人机交互等场景。来源机构：机器人学习研究团队。arXiv编号：2602.00919。