机器人领域端到端视觉-语言-动作（VLA）架构的发展演变

视觉-语言-动作（VLA）模型代表了机器人学习中的一种根本性架构转变，用统一的框架取代了模块化的感知-推理-控制流水线，实现多模态理解与运动控制的联合优化。尽管大型语言模型（LLMs）促进了机器人中的自然语言基础，但核心挑战依然是如何在单一连贯架构内有效融合视觉感知、语言推理和连续动作生成。本文系统性地将现代VLA系统分解为三个关键组件，包括多模态感知编码器、跨模态融合机制和动作解码器。我们还批判性地评估了设计选择对泛化、样本效率和任务复杂性的影响。我们区分了两种主导架构范式：直接通过学习的表示将观测映射到动作的端到端模型，以及将任务分解为显式规划和执行阶段的分层模型。通过对零样本泛化、可解释性和长程性能的权衡比较分析，我们识别了语义基础、空间推理和模拟到真实转移的关键未决挑战，这些将决定VLA在现实部署中的可行性。