仅需300美元！先进VLA模型与低成本硬件相结合

低成本视觉-语言-动作（VLA）系统，匹兹堡大学研究团队通过300美元级6DOF机械臂搭配自适应视野集成器，解决传统VLA硬件昂贵、泛化性差的痛点，在真实场景中实现超越现有方法的性能，推动机器人基础模型的普及。

背景与核心挑战

• VLA模型优势在于直接从图像和自然语言指令映射到机器人动作，跳过手工设计的感知/规划模块，但在陌生光照、新物体、视觉干扰下易失效，泛化能力不足。

• 硬件层面，现有顶尖机械臂成本达数千至数万美元，即便“低成本”产品也常超1000美元，且依赖专用软件框架，普通用户和研究者难以获取。

• 训练与数据方面，远程操作数据收集繁琐昂贵，连续动作生成类模型（如扩散模型）训练慢、推理步骤多，自回归模型则存在推理延迟高的问题。

• 论文标题：EveryDayVLA: A Vision-Language-Action Model for Affordable Robotic Manipulation

• 论文链接：https://arxiv.org/pdf/2511.05397

• 项目主页：https://everydayvla.github.io/

关键创新

协作训练与自适应视野集成器（AdaHorizon）

• 双动作头设计：联合训练离散自回归动作头和连续L1回归动作头，离散动作擅长高层语义推理，连续动作保障精细操作精度。
• 损失函数设计：用交叉熵损失监督离散动作，L1损失监督连续动作，通过加权求和平衡两者优化：

（λ设为1）

• 自适应重规划：通过计算两种动作预测的平均绝对差估计不确定性，差异超阈值时触发重规划，动态调整动作执行长度（figure2）。算法1明确最小执行动作数、重规划阈值等参数，兼顾实时性与安全性。

低成本6DOF机械臂设计

• 核心参数：成本约311.98美元，6个自由度，有效负载0.2kg，工作半径382mm，最大速度0.7m/s，重复定位精度≤10mm（table1、figure3）。

• 硬件选型：采用MG996R、DS3225等市售舵机，关节配置为roll-pitch-pitch-roll-pitch-roll，手腕3个舵机构成类球关节，实现全姿态覆盖。
• 控制方案：使用Arduino Uno搭配PCA9685 12位PWM驱动板，通过I2C通信实现精准控制，降低软件依赖，支持跨操作系统使用。

自动化数据集与数据收集流程

• 数据集规模：包含1200个任务演示样本，每个样本配对自然语言指令、RGB图像序列和末端执行器姿态数据。
• 任务覆盖：涵盖拾取放置、环境操作（如开关抽屉）、堆叠等，通过参数化轨迹基元和通用语言模板快速生成多样化训练样本，简化数据收集。

实验结果与核心表现

仿真基准（LIBERO）

• 综合性能：在空间、物体、目标、长时四大任务套件中，平均成功率达91.4%，仅落后最优基线3.9%，其中空间任务套件成功率96.8%，超越所有基线（table2）。

• 推理效率：推理速率达54.2–108.4Hz，延迟仅0.0738秒，接近OpenVLA-OFT的性能，额外开销仅来自自适应视野模块（table3）。

• 集成器优势：AdaHorizon在空间任务中成功率96.8%，比次优集成器高出1.6%，避免传统集成器过度平滑动作流的问题（table5）。

真实世界测试

• 分布内任务：在拾取块、球、岩石等任务中，平均成功率比现有方法高出49%，球类操作表现稳定，仅“拾取并放置到右侧”任务略逊于基线（figure4）。

• 分布外任务：在未见过的任务、环境及静态/动态干扰下，平均性能提升34.9%。动态干扰（如人类走动）下仅性能下降10%，静态干扰（杂乱环境）下下降20%，泛化性显著优于OpenVLA系列（table4）。

• 失败模式：主要因物体释放延迟导致失败；OpenVLA-OFT常因抓取对齐错误或过流触发安全停机，OpenVLA则存在间歇性卡顿。

核心价值

通过“低成本硬件+高效模型+开源数据集”的组合，打破VLA技术的准入门槛，让家庭用户和小型研究团队能够接触到机器人基础模型。真实场景中的强泛化性和可靠性，为其在家庭服务、教育科研等领域的普及奠定基础。