Vision-Language-Action Models: A Survey

Vision-Language-Action (VLA) Models: A Survey是2024年发表的VLA模型综述论文，系统梳理了视觉-语言-动作模型的发展脉络、核心技术和应用场景。该综述涵盖了VLA模型的架构设计、训练方法、数据来源、评估基准等多个维度，分析了RT-1、RT-2、OpenVLA等代表性模型的技术特点和局限性。该论文为机器人学习和具身智能领域的研究者提供了全面的技术参考。