← 视觉 · 语言 · 动作 / 数据与经验更新

正式发表 / Vision–Language–Action

GraspVLA

GraspVLA: a Grasping Foundation Model Pre-trained on Billion-scale Synthetic Action Data

CoRL · 2025

快照 2026-10-28 · 引用:Semantic Scholar / arXiv 关联记录 · 代码核验依据 ↗

关键框架 FRAMEWORK
目标定位、抓取位姿与动作专家CoRL 2025 · Fig. 3 · p.5 ↗

用大规模合成抓取轨迹共同训练视觉语言骨干与动作专家,先定位物体,再预测抓取位姿和连续动作。

  1. 01生成随机化抓取数据
  2. 02共同学习语义定位
  3. 03逐步生成位姿和动作
GraspVLA目标定位、抓取位姿与动作专家
目标定位、抓取位姿与动作专家

用大规模合成抓取轨迹共同训练视觉语言骨干与动作专家,先定位物体,再预测抓取位姿和连续动作。 来源 ↗ · 打开完整图片 ↗

THE IDEA

它在解决什么

用大规模合成抓取轨迹共同训练视觉语言骨干与动作专家,先定位物体,再预测抓取位姿和连续动作。

WHY READ IT

为什么放在这条路线

与 DROID 的真实采集路线对照,重点是合成数据、语义 grounding 和渐进动作接口如何支持抓取迁移。

当前阶段数据与经验更新 ↗

怎样采集、扩充并利用机器人经验?

READ WITH A QUESTION

读的时候,留意什么

主要任务是抓取;不能把抓取的 sim-to-real 结果直接扩展为任意长时程操作能力。

我的阅读笔记

LOCAL NOTES
笔记仅保存在当前浏览器