【论文阅读】X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model

论文信息

团队：清华大学人工智能产业研究院AIR + 上海AI lab
时间：2025年

问题背景

1. 跨本体的适配性。不同本体采用的数据存在异构性，即机器人构型不同（单机械臂，双机械臂等），模态不同（相机，雷达），安装视角不同等。其次是数据分布不同，比如同样的指令，单机械臂和多机械臂的操作方式不一定相同。
2. 可扩展性。当遇到新的机器人时，原有的方法是需要收集大量相应的数据，然后新增一个解码头decoder head进行训练。这个过程涉及到主干网络的重训，cost很大。

解决方法

1. soft prompt。给每个机器人一个身份信息，即soft prompt，本质上是可学习的嵌入（learnable embedding），把这个信息拼接到图像等信息之后，注入到模型中，作为模型识别这是哪个模型的数据用，从而调节模型的输出分布。
2. 当新增一个机器人时，只需要给定其soft prompt，然后用LoRA微调1%（大约9M）的参数量即可。由于不需要重训主干网络，所以非常适合扩展。

该方法其实是对NLP领域的知识迁移：

在 NLP 领域，最近比较火热的研究方向是参数高效微调（Parameter-Efficient Fine-tuning，PEFT），其中一个研究方向是软提示学习（Soft Prompt Learning）。

因为针对目前已经训练好的大模型，需要使其适配到不同的垂类场景中。如果采用普通微调的方式，会针对所有参数进行调整，cost很大，而且分布变了之后可能会造成灾难性遗忘；其次数据量很少的话，会导致过拟合。因此提出了软提示学习的方式，在部署垂类应用时，只需要在本地存储很少量的soft prompt即可。

研究表明：只需训练少量 prompt 向量，就能让冻结的 LLM 适应新任务。

X-VLA 将这一思想迁移到具身智能体领域，把“任务类型”换成了“机器人身份”，同样奏效。

输出

输出末端执行的轨迹（每个轨迹点包含x/y/z的位置信息和角度信息）以及是否抓取。

轨迹在下游通过IK等方式解决。

实验效果

6个仿真环境和3个真机环境实验，整体达到SOTA。注意并非每个都是第一。

重要意义

将NLP领域的Soft Prompt Learning思想借鉴到机器人中，虽然不是架构创新（比如Transformer），但是能够以高效的方式解决机器人领域最关注的可扩展性问题，确实具备重要意义。