大白话讲UniVLA

核心是让机器人能更灵活、更高效地学会各种任务，还能在不同机器人、不同场景间轻松“迁移能力”，不用像以前那样依赖大量标注好的数据。

1. 先说说以前的机器人政策（控制方法）有啥麻烦？

以前想让机器人干活（比如抓东西、导航），得给它喂大量“带标注的数据”——比如明确告诉它“这步该动机械臂、那步该转摄像头”。而且这些方法有个大问题：

• 只能适配特定机器人（比如训练好的机械臂，换个型号就没用了）；
• 场景一换就歇菜（比如在实验室练会了抓杯子，到厨房光线变了、多了其他东西，就不会了）；
• 想扩大数据规模很难（网上有很多机器人视频、人类干活的视频，但因为没有“动作标注”，没法直接用）。

2. UniVLA是怎么解决这些问题的？

它的核心思路是：先学一套“通用的隐藏动作语言”，再用这套“语言”训练机器人，最后简单调整就能适配不同机器人/场景。具体分三步：

第一步：学“任务相关的隐藏动作”（不用标注！）

从大量视频（比如机器人干活视频、人类做饭/收拾的视频）里，自动提取出“对完成任务有用的动作”，过滤掉没用的干扰（比如摄像头晃了、旁边有人走过）。

• 怎么过滤？用了两个小技巧：一是参考“语言指令”（比如“把杯子放桌上”，就盯着和“放杯子”相关的动作）；二是用现成的图像识别工具（DINOv2），聚焦物体和关键位置（比如机械臂末端、杯子），不看无关背景。
• 还把这些动作“压缩成离散的小单元”（类似语言里的“单词”），方便后续学习。

第二步：训练“通用政策”（会看、会听、会规划）

用第一步得到的“隐藏动作单元”，训练一个“视觉-语言-动作”结合的模型。这个模型能：

• 看场景（比如摄像头拍的画面）、听指令（比如“扫地”）；
• 规划出下一步该用哪个“隐藏动作单元”——而且不管是哪种机器人、哪种场景，规划逻辑都通用。
• 关键是：训练成本极低！比之前的主流方法（OpenVLA）少用了1/20的计算资源，却跑得更好。

第三步：简单适配不同机器人（不用从头训！）

每个机器人的“动作方式”不一样（比如有的机械臂6个关节，有的7个），所以最后加一个“小解码器”：把模型规划出的“隐藏动作单元”，翻译成具体机器人能懂的“控制信号”（比如“关节转30度”）。

• 这个解码器很小（只有1000多万参数），不用大量数据，调一调就能用在新机器人上。

3. UniVLA到底行不行？实验结果很能打！

在多个任务上测试，都比以前的方法好：

（1）机器人抓东西/操作（LIBERO、CALVIN等 benchmark）

• 在LIBERO测试里（比如“把碗放进抽屉”“叠毛巾”），用全量数据训练的UniVLA平均成功率95.2%，比之前的OpenVLA（76.5%）高了近20%；哪怕只用少量数据（比如只学人类视频），也比OpenVLA好。
• 面对复杂任务（比如多步操作“放杯子→关柜门”），优势更明显，因为它能聚焦“任务关键动作”。

（2）导航任务（比如室内找路）

在“Room2Room”测试里（按语言指令找目标位置），UniVLA的成功率47.1%，比OpenVLA（1