arXiv cs.AI· Yusuke Takagi, Motonari Kambara, Daichi Yashima, Koki Seno, Kento Tokura, Komei Sugiura·· 3 天前AI 评分29
AnolisVLA：面向移动操作的轻量级视觉-语言-动作模型，采用深度状态空间模型
AnolisVLA: Lightweight Vision-Language-Action Model with Deep State Space Models for Mobile Manipulation
AI 导读
AnolisVLA 是一款采用深度状态空间模型处理多模态序列的轻量级视觉-语言-动作模型，用于语言引导的机器人操作。在同等参数规模下，其任务成功率、推理速度和 GPU 显存占用均优于 SmolVLA；在移动操作中，任务成功率比 30 亿参数的 π₀.₅ 高出 21 个百分点，推理速度约为其 3 倍。
正文 · AI 翻译
摘要：在本研究中，我们解决语言引导的机器人操作问题，即要求机器人根据视觉观察和自然语言指令操作各种物体。这项任务对于在人类环境中工作的服务机器人至关重要，并且需要安全性、效率和任务级通用性。尽管视觉-语言-动作模型（VLA）在此任务上表现出强大性能，但由于标准 transformer 主干网络的计算成本，它们在资源受限环境中的部署仍然具有挑战性。为克服这一限制，我们提出 AnolisVLA，一种轻量级 VLA，使用深度状态空间模型高效处理多模态序列。该模型使用轻量、快速的序列状态建模来处理视觉和文本输入。这种设计实现了高效的轨迹生成。我们在仿真和两个真实机器人平台上评估了所提出的方法。与参数规模相当的 SmolVLA 相比，AnolisVLA 实现了更高的任务成功率、更快的推理速度以及相当的 GPU 内存占用。在移动操作中，其任务成功率比更大的 30 亿参数 $\pi_{0.5}$ 模型高出 21 个百分点，同时推理速度约快三倍。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2603.15046 [cs.RO] |
| （或 arXiv:2603.15046v2 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.15046 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yusuke Takagi [查看电子邮件]
[v1]
2026年3月16日星期一 09:57:45 UTC（13,269 KB）
[v2]
2026年10月12日星期一 14:11:09 UTC（19,049 KB）
来源：arXiv cs.AI · arxiv.org