NanoVLA：面向纳米级通用机器人策略的解耦式视觉语言理解路由
机器人学
2025-10-30 v1
摘要
视觉语言-动作（VLA）模型通过将视觉语言模型（VLM）和动作解码器集成到统一架构中，显著推进了机器人操作。然而，其在资源受限的边缘设备（如移动机器人或嵌入式系统，如Jetson Orin Nano）上的部署仍具挑战，尤其是在功耗、延迟和计算资源至关重要的实际场景中。为此，我们引入Nano级视觉语言动作（NanoVLA），一系列轻量级VLA架构，实现最小资源下的高性能。核心创新包括：（1）视觉语言解耦，将传统的早期视觉和语言输入融合从VLM的早期阶段移至后期，既提升性能又可实现缓存，降低推理开销和延迟；（2）长短动作块分解，确保多步骤规划平滑连贯，同时不牺牲实时响应性；（3）动态路由，根据任务复杂度自适应分配轻量或重型 backbone，进一步优化推理效率。实验结果表明，NanoVLA在边缘设备上相较于先前的SOTA VLA模型，推理速度提升最高达52倍，参数减少98%，同时保持或超越其任务准确率和泛化能力。消融实验确认解耦策略保留了跨任务迁移能力，路由模块提升了成本-性能权衡，使NanoVLA能够在资源受限的硬件上实现实用、高精度的机器人操作。
引用
@article{arxiv.2510.25122,
title = {NanoVLA: Routing Decoupled Vision-Language Understanding for Nano-sized Generalist Robotic Policies},
author = {Jiahong Chen and Jing Wang and Long Chen and Chuwei Cai and Jinghui Lu},
journal= {arXiv preprint arXiv:2510.25122},
year = {2025}
}