End-to-End VLA

先读这三篇。

RT-1 把动作 token 化 → RT-2 把网络知识带进来 → OpenVLA 把整个范式开源民主化。

1. 1
   RT-1: Robotics Transformer for Real-World Control at Scale 2022 · RSS · ⭐⭐⭐

   Google 用 13 台机器人花 17 个月录下 13 万段人类示范，训出一个 35M 参数的小 Transformer，让机器人听一句指令就能在真办公室厨房里完成 700 多种操作，并首次证明"大数据 + Transformer"的范式在物理世界同样有效。

2. 2
   RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control 2023 · CoRL · ⭐⭐⭐⭐

   把机器人动作翻译成一句话，让会看图聊天的 AI 用写句子的方式开口指挥机器人——它会写字，就能动手。

3. 3
   OpenVLA: An Open-Source Vision-Language-Action Model 2024 · CoRL · ⭐⭐⭐

   把一个会"看图说话"的 AI 改一改，让它学会"看一眼桌面就动手摆东西"——把机械臂动作伪装成"单词"，用 7B 参数全面打败闭源 55B 的 RT-2-X，并把全部训练配方开源送出去。

End-to-End VLA 全部 44 篇。