中科院联合清华等发布视觉语言行动推理模型VLA-R1，让机器人先思考再行动

48 0 0

文章摘要

中科院自动化所、清华大学与GigaAI联合发布了视觉-语言-行动（VLA）模型的R1推理版本，该模型通过引入思维链机制和强化学习策略，显著提升了机器人在复杂环境中的任务执行能力。传统机器人模型直接输出动作指令，缺乏中间推理过程，而VLA-R1通过分阶段训练实现了”先思考后行动”的范式突破。

模型的核心创新在于将人类思维链（CoT）融入训练框架。研究团队构建了包含13,000个任务场景的VLA-CoT-13K数据集，由Qwen2.5-VL-72B模型自动生成详细推理步骤。例如执行”移动绿色积木”指令时，模型会依次完成目标识别、物体定位、路径规划等逻辑推理。这种结构化学习方式使机器人能分解复杂任务，将视觉感知与动作目标建立明确关联。模型架构采用Qwen2.5-VL-3B为基础，其重新设计的视觉Transformer可高效处理高分辨率图像，结合语言解码器生成包含推理过程和7D动作指令的结构化输出。

在强化学习阶段，研究团队开发了基于可验证奖励的RLVR策略，通过三位”考官”系统评估模型表现：轨迹考官使用角度长度增强Fréchet距离（ALAF）评估运动路径质量；空间定位考官采用广义交并比（GIoU）衡量物体识别精度；格式考官确保输出严格遵循”推理-动作”结构。这种多维度优化使模型在推理鲁棒性和执行准确性上同步提升。

实验验证显示VLA-R1在多个维度显著超越基线模型。在ShareRobot数据集测试中，其定位精度（IoU）达36.51，较同类模型提升17.78%，轨迹误差降低17.25%。领域外泛化测试更凸显模型真正的推理能力——未见过数据的处理表现甚至优于训练数据。模拟环境中，面对随机变化的桌面场景，VLA-R1在轨迹任务成功率高达70%，而基线模型NORA几乎完全失效。真实世界测试进一步证实其可靠性，在存在颜色干扰和物体遮挡情况下仍保持62.5%的感知成功率和75%的动作执行率。

消融研究表明思维链与强化学习具有协同效应：单独使用CoT可使定位精度提升19.5%，结合RL后各项指标实现飞跃。这种组合策略既保留了结构化推理的优势，又能通过精细奖励优化具体动作。当前研究聚焦单臂机器人平台，未来扩展至更复杂系统将推动通用物理智能的发展。该成果证实，模仿人类的渐进式推理是突破机器人环境适应瓶颈的关键路径，为具身智能领域提供了重要的方法论参考。