本文深入剖析大模型如何赋能具身智能，重点解读从分层决策到端到端VLA范式的演变，揭示感知、交互与规划的核心突破。
智能速览
VLA模型将多模态输入直接映射为动作，实现端到端决策。
具身智能依赖Token化表征、多模态融合及动作去Token化机制。
现有VLA模型在感知精度、轨迹平滑度及训练成本上仍存局限。
感知增强与扩散策略有效解决了视觉噪声和动作生硬问题。
分层架构虽可解释性强，但端到端架构泛化能力更优。
精华内容
大模型通过增强感知与规划能力，正彻底改变具身智能的决策范式。
VLA架构核心
VLA模型通过视觉、语言、状态和动作四种Token对多模态输入编码，利用Transformer融合信息，最终生成动作指令。
这种架构将感知、规划与执行统一，使智体能在开放环境中自适应执行任务，无需人工干预。
端到端决策
传统分层范式易受误差累积影响，而端到端决策通过VLA直接映射输入到动作，消除了通信延迟。
RT-2模型将动作空间离散化为语言词汇，利用大模型语义知识增强低级命令，展现出强大的泛化能力。
现存技术瓶颈
尽管VLA表现强大，但对视觉噪声敏感，且过度依赖二维感知限制了三维空间理解能力。
此外，简单的策略网络难以满足高精度任务需求，庞大的计算资源消耗也制约了其在资源受限平台上的部署。
感知与轨迹优化
为解决感知局限，TraceVLA引入轨迹提示增强时空理解，3D-VLA结合扩散模型处理三维点云。
在轨迹优化方面，Octo和Diffusion-VLA利用扩散策略生成更平滑、精确的连续动作，显著提升了操作稳定性。
训练降本增效
针对高昂的训练成本，FlowMatching技术通过连续流场建模替代多步采样，大幅提升实时性能。
TinyVLA和OpenVLA-OFT则分别通过轻量化设计和并行解码，缩短推理时间，提高了具身智能的实用性。
端到端VLA范式虽已取得突破，但在鲁棒性与部署成本上仍需探索。未来具身智能将如何平衡性能与效率？
