SAVLA: Symmetry-Aware Vision-Language-Action Models for Robotic Manipulation

SAVLA提出了一种端到端对称感知VLA模型，用于鲁棒且数据高效的策略学习。该方法保持预训练视觉语言主干完全冻结，结合等变流匹配动作头和学习到的规范化器。动作头将状态、动作和条件输入分解为不变和等变通道，并在所有层中保持这种类型化。规范化器将斜视图像转换到规范坐标系并旋转几何条件。在多个机器人操作任务上，SAVLA相比标准VLA基线实现了显著更好的数据效率和泛化能力。适用于需要对称不变性的桌面操作、物体抓取和放置等场景。