视觉-语言-动作模型研究综述：迈向通用机器人
来源：计算机工程与应用杂志2026年第11期北京时间：
作者：陈文祺, 陈佳锋, 支鹏翔, 施露露, 闻路红
单位：1.宁波大学 高等技术研究院，浙江 宁波 315211；2.宁波华仪宁创智能科技有限公司，浙江 宁波 315105；
摘要：视觉-语言-动作（VLA）模型作为具身智能领域的重要研究方向，通过深度融合感知、理解与动作，旨在克服传统机器人系统在开放环境中的语义割裂与泛化瓶颈。根据VLA领域的相关进展，梳理了VLA模型的发展脉络与研究现状。从系统架构角度将现有模型归纳为单体式、级联式和分层式三类，并深入分析各类架构的设计思路与代表性进展；系统总结了支撑VLA研究的相关数据集与评估基准。最后，基于近年来的代表性成果，分析了当前VLA模型所面临的核心挑战，并展望未来发展方向。
关键词：具身智能,视觉-语言-动作模型,机器人,多模态融合
基金资助：宁波市自然科学基金（2024J217）。
