OmniVLA-RL：具备空间感知能力的视觉-语言-动作模型
机器人学
2026-04-27 v2
摘要
视觉-语言-动作 (VLA) 模型代表了具身 AI 的范式转变，但现有框架常常在空间感知不精确、多模态融合次优以及强化学习不稳定方面存在挑战。为弥合这些差距，我们提出了 OmniVLA-RL，一种新型架构，利用 Mix-of-Transformers (MoT) 设计， synergistically 集成推理、空间和动作专家。进一步引入 Flow-GSPO，将流匹配重新表述为随机微分方程 (SDE) 过程，并与群分段策略优化 (GSPO) 集成，以增强动作精度和训练鲁棒性。在 LIBERO 和 LIBERO-Plus 基准上的大规模评估表明，OmniVLA-RL 在整体性能上取得良好成绩，并超越主流现有方法，有效克服了当前 VLA 模型的根本局限。
引用
@article{arxiv.2604.17706,
title = {OmniVLA-RL: A Vision-Language-Action Model with Spatial Understanding and Online RL},
author = {Haoxiang Jie and Yaoyuan Yan and Xiangyu Wei and Kailin Wang and Hongjie Yan and Zhiyou Heng and Daocheng Chen},
journal= {arXiv preprint arXiv:2604.17706},
year = {2026}
}