已登ICRA 2026，VLA實用化路線徹底殺瘋了！

原文作者：公眾號“計算機頂會大全”

原文鏈接：https://mp.weixin.qq.com/s/SbiHonAq0qYEP-sC-sB-bA

近期頂會工作來看，VLA正在進入新階段：不只是能做任務，而是要能穩定、低成本、跨場景地落地到真實機器人系統中。

這類研究共同釋放了一個信號：具身智能的競爭點正在從大模型能力展示轉向實用化能力驗證。一方面，研究開始關注多機器人本體、導航與操作統一、仿真到真實遷移等真實部署問題；另一方面，評測標準也不再只看平均成功率，而是更重視空間擾動、物體變化、語言歧義和任務復雜度下的魯棒性退化。同時，力覺、觸覺等非視覺模態也開始被納入VLA框架，用來解決接觸豐富操作中的精細控制難題。本文整理了20篇 VLA實用化相關前沿論文。

論文介紹：

ICRA 2026| Rethinking the Practicality of Vision-language-action Model: A Comprehensive Benchmark and An Improved Baseline

現有VLA真的適合真實機器人部署嗎？論文指出，當前很多VLA模型依賴大參數規模、大規模預訓練和固定機械臂場景，存在訓練成本高、跨本體適配弱、真實部署困難等問題。為此，作者提出面向實用化評測的CEBench基準，覆蓋單臂操作、雙臂操作和真實世界雙臂移動操作，并引入背景變化、物體干擾、桌面高度變化等領域隨機化設置，專門測試VLA在真實擾動下的穩定性。

方法上，論文提出輕量化基線LLaVA-VLA，基于小型視覺語言模型構建，通過多視角圖像輸入、本體狀態標記、動作分塊和兩階段訓練，實現導航與操作統一建模。實驗表明，小模型在CALVIN等任務上接近甚至超過部分大模型；多視角輸入、本體狀態標記和合適動作分塊都能顯著提升性能；在真實雙臂和移動操作任務中，模型也展現出更強魯棒性。

這篇工作的價值在于，它不再單純追求更大的機器人模型，而是強調低成本訓練、跨本體泛化、真實擾動評測和移動操作落地。對具身智能研究來說，這意味著VLA正在從模型炫技走向真實可用。

論文介紹：

 ICRA 2026| FD-VLA: Force-Distilled Vision-Language-Action Model for Contact-Rich Manipulation

過去，VLA模型主要依賴視覺和語言來完成機器人操作，但在真實場景中，很多任務并不是看見就能做好。比如插頭插入、按鈕按壓、擦白板等接觸豐富任務，真正影響成功率的是接觸力、阻力變化、摩擦和細微形變。

這篇論文關注的正是VLA的力覺短板。論文提出FD-VLA，通過力蒸餾機制，讓模型在訓練階段利用真實力信號學習潛在力表示；在推理階段，則不再依賴實體力傳感器，而是根據視覺觀察和機器人本體狀態預測力標記，并與視覺語言信息共同生成動作。這樣既保留了力覺對接觸操作的幫助，又降低了真實部署時對昂貴、脆弱傳感器的依賴。

創新點主要在于三方面：一是把力覺信息以蒸餾方式融入VLA，而不是簡單拼接原始力信號；二是利用視覺和本體狀態預測接觸相關力表示，提升任務相關性和魯棒性；三是在真實機器人平臺上驗證擦白板、按按鈕、插頭插入等典型接觸任務。實驗表明，FD-VLA整體成功率明顯高于無力覺版本和直接輸入原始力信號的方法，說明可學習的力表示比粗暴使用傳感器數據更有效。

這篇論文的價值在于，它把VLA從看懂再行動推進到理解接觸再行動。對具身智能研究來說，力覺蒸餾、觸覺增強、狀態建模和接觸豐富操作，正在成為VLA實用化落地的重要發文切口。

論文介紹：

LIBERO-X: Robustness Litmus for Vision-Language-Action Models

過去，很多VLA模型在標準機器人基準上表現不錯，但這并不等于它們真的具備真實部署能力。真實環境中的機器人任務，往往會同時遇到物體位置變化、場景結構變化、未見物體、視覺干擾和語言指令改寫等問題。

這篇論文提出LIBERO-X，核心不是再造一個更強模型，而是構建一個更嚴格的VLA魯棒性評測基準，用來檢驗現有視覺語言動作模型到底穩不穩。方法上，LIBERO-X設計了五級遞進式測試協議，從局部空間擾動、大范圍空間擾動，到場景拓撲重構、視覺屬性變化和語義等價指令改寫，逐層增加真實部署難度。同時，它構建了更高多樣性的訓練數據，并通過多標簽診斷分析模型在交互類型、子任務數量、空間關系、物體屬性等維度上的失敗模式。

實驗結果顯示，多個代表性VLA模型在LIBERO-X上都會隨難度增加明顯掉點，尤其在拓撲變化、未見物體、語言改寫和多步長程任務中表現不穩定。這說明現有VLA并不是不會完成任務，而是缺少對復雜分布偏移的穩定泛化能力。

這篇工作的價值在于，它把VLA評測從平均成功率推進到魯棒性診斷。對具身智能研究來說，未來不僅要做更大的模型，也要做更真實的基準、更細的失敗分析和更強的空間泛化、語言接地與長程執行能力，這正是VLA實用化落地的重要發文切口。

雷峰網(公眾號：雷峰網)