InternRobotics/InternVLA-A-series

解決的問題

InternVLA-A1.5 透過將三個關鍵能力——視覺-語言理解、視覺預測（預測未來動力學）和動作生成——統一到單個策略中，解決了機器人操作中的組合泛化挑戰。

工作原理

該系統使用 Qwen3.5-2B VLM 作為骨幹網路，透過共享的全注意力層添加輕量級統一動作專家。在訓練期間，它使用可學習的預測 token 從多模態上下文中查詢未來動力學，並由凍結的 WAN2.2-5B 影片生成模型進行監督。在實際部署時，為了保持低延遲，會捨棄影片分支，模型使用 flow matching 來預測連續的動作塊。

適用對象

專為從事機器人操作研究的機器人研究人員和開發人員設計，特別是那些希望提高機器人在不同模擬基準測試（如 RoboTwin、LIBERO 和 SimplerEnv）和真實世界設置中任務泛化能力的人員。

亮點

• 統一架構：將理解、預測和動作結合在一個模型中。
• 潛在預測：在訓練期間使用影片生成模型來教導策略未來的任務動力學。
• 高效推理：在執行時捨棄沉重的影片分支，以確保實際部署的延遲。
• 廣泛的相容性：支援在 LeRobot V2.1 資料集和各種模擬環境中進行微調。