SpatialVLA: Vision-Language-Action Model with Spatial Reasoning for Robotic Manipulation

SpatialVLA是斯坦福大学等机构于2024年提出的增强空间推理能力的视觉-语言-动作模型。该模型在标准VLA架构中引入三维空间感知模块，使机器人能够理解物体间的空间关系、支撑面和可达性约束，从而更准确地执行需要精细空间推理的操作任务。SpatialVLA在多步桌面操作和家庭场景基准上验证了空间推理对VLA性能的提升，为解决VLA模型在长程操作中的泛化问题提供了新思路。适用于家庭整理、桌面操作和人机协作场景。