什么值得买App下载 App ›
连续签到专享现金活动

智元机器人提出Libra-VLA双系统架构 | VLA终于不再"一锅炖"了!语义规划器低频定方向,动作精修器高频抠细节,LIBERO干到97.2%

现有的视觉-语言-动作(VLA)模型普遍采用“整体式生成”范式,即由单一模型同时承担语义理解与高频动作预测任务。这种做法试图在扁平空间中建立从语言指令到电机控制的直接映射,导致模型学习负担过重,推理效率低下。针对这一痛点,智元机器人提出了Libra-VLA架构,通过重构动作空间与系统交互逻辑,实现了语义规划与动作执行的解耦。
01异步双系统架构设计
Libra-VLA的核心创新在于引入了混合动作空间与异步双系统机制,将原本耦合的生成过程拆解为两个独立且协作的模块:

系统功能分工

宏观方向把控
  • 基于System 2逻辑进行低频运行

  • 负责输出离散的粗略意图(去哪)

  • 专注于理解任务语义与总体目标

高频执行交互
  • 基于System 1逻辑进行高频执行

  • 基于粗意图通过扩散去噪生成连续细残差(怎么交互)

  • 专注于具体的物理操作与动作细节

两个子系统之间通过一个FIFO(先进先出)意图缓冲区进行衔接。这种设计使得视觉-语言模型(VLM)无需在每一个高频动作步都进行推理,仅在需要更新宏观意图时才介入,从而大幅降低了计算资源的消耗。
02关键发现:Libra点与倒U型曲线
在架构设计之外,研究团队还发现了动作离散粒度(N)与模型性能之间的关键规律。实验数据显示,动作离散粒度N与最终成功率呈现倒U型曲线关系:
  • N=2(过低):粗意图过于粗糙,无法提供有效引导,导致动作精修器难以收敛。
  • N≥50(过高):规划器被过细的分类任务压垮,失去了语义规划的初衷,增加了不必要的复杂性。
  • N=10(Libra点):完美平衡了两个子系统的学习难度,使模型性能达到峰值。
03实验表现与性能数据
测试环境Libra-VLA表现对比/备注
LIBERO模拟套件平均成功率97.2%其中Object套件高达99.4%
LIBERO-Plus零样本迁移成功率79.5%验证了模型的泛化能力
训练效率(30k步)成功率97.2%HybridVLA仅为32.9%
真实世界任务三项长时域任务全部跑通涵盖擦污渍、倒水、做三明治
实验结果表明,Libra-VLA不仅在模拟环境中表现优异,且在真实世界的长时域任务中展现了强大的执行能力。其训练效率的提升尤为显著,在相同训练步数下,性能远超传统架构。对于VLA未来的技术路线,业界观点呈现分歧,部分用户支持“快慢系统分离”的 Libra-VLA 路径,认为其更符合生物体控制逻辑;也有观点坚持“一个大脑管所有”的端到端进化方向。

评论

评论区空态插画

当前文章无评论,是时候发表评论了