EquiVLA: A General Framework for Rotationally Equivariant Vision-Language-Action Models

📄 arXiv: 2606.19784v1 📥 PDF

作者: Thien-Loc Ha, Quang-Tan Nguyen, Trong-Bao Ho, Long Dinh, Minh Duc Nguyen, Gia-Binh Nguyen, Pham Tri Quang, Minh N. Vu, Duy M. H. Nguyen, An Thai Le, Ngo Anh Vien

分类: cs.RO

发布日期: 2026-06-18

备注: Comment: First version 22 pages, project site: https://equivla.github.io/

💡 一句话要点

提出EquiVLA框架以解决VLA模型的旋转不变性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作 旋转不变性 机器人操作 多模态学习 扩散变换器

📋 核心要点

  1. 现有的VLA模型在旋转配置中缺乏几何归纳偏置，导致在特定方向训练的策略泛化能力不足。
  2. 提出的EquiVLA框架通过引入EquiPerceptor和EquiActor，实现了SO(2)不变的视觉表示和动作预测。
  3. 在多个实验中，EquiVLA在LIBERO和真实机器人任务上显著提高了成功率，验证了其有效性。

📝 摘要（中文）

视觉-语言-动作（VLA）模型作为通用机器人操作的强大范式，面临几何归纳偏置不足的问题：在特定方向训练的策略需要大量数据才能在旋转配置中泛化。本文提出了EquiVLA，这是第一个端到端的SO(2)不变VLA模型框架，适用于将冻结的视觉-语言骨干与流匹配扩散变换器动作头结合的任何架构。EquiVLA引入了EquiPerceptor，能够从冻结的ViT特征中生成近似的SO(2)不变视觉表示；以及EquiActor，这是一个完全SO(2)不变的流匹配扩散变换器动作头。两者共同建立了从相机观察到预测动作序列的近似SO(2)不变链条。

🔬 方法详解

问题定义：本文旨在解决现有视觉-语言-动作（VLA）模型在旋转配置中泛化能力不足的问题。现有方法在特定方向训练的策略需要大量数据，导致效率低下。

核心思路：论文提出的EquiVLA框架通过引入SO(2)不变性，设计了EquiPerceptor和EquiActor模块，从而提高模型在不同旋转配置下的泛化能力。

技术框架：EquiVLA框架由两个主要模块组成：EquiPerceptor负责生成SO(2)不变的视觉表示，EquiActor则是一个流匹配的扩散变换器动作头，二者共同形成从相机观察到动作序列的近似SO(2)不变链条。

关键创新：EquiVLA的核心创新在于实现了SO(2)不变的视觉表示和动作预测，解决了现有VLA模型在旋转配置中的泛化问题，与传统方法相比具有显著的优势。

关键设计：在设计中，EquiPerceptor利用冻结的ViT特征生成视觉表示，而EquiActor则采用流匹配机制，确保动作预测的SO(2)不变性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

EquiVLA在LIBERO测试中实现了92.6%的平均成功率，相较于基线的78.1%有显著提升；在CALVIN任务中，平均序列长度从3.45提升至4.03；在真实机器人任务中，成功率从54%提升至72%。

🎯 应用场景

EquiVLA框架在机器人操作、自动化制造和人机交互等领域具有广泛的应用潜力。其旋转不变性特性使得机器人能够在复杂环境中更高效地执行任务，提升了操作的灵活性和可靠性。未来，该框架还可能推动更复杂的多模态学习和智能系统的发展。

📄 摘要（原文）

Vision-Language-Action (VLA) models have emerged as a powerful paradigm for generalist robot manipulation, yet they lack geometric inductive biases: policies trained at specific orientations require substantially more data to generalize across rotational configurations. We present \textsc{EquiVLA}, the first general framework for end-to-end $\mathrm{SO}(2)$-equivariant VLA models, applicable to any architecture coupling a frozen vision-language backbone with a flow-matching Diffusion Transformer action head. \textsc{EquiVLA} introduces \textsc{EquiPerceptor}, which produces approximately $\mathrm{SO}(2)$-equivariant visual representations from frozen ViT features; and \textsc{EquiActor}, an exactly $\mathrm{SO}(2)$-equivariant flow-matching Diffusion Transformer action head. Together, they establish an approximate $\mathrm{SO}(2)$ equivariance chain from camera observations to predicted action sequences. Instantiated on GR00T~N1.5 and evaluated across four LIBERO suites, CALVIN ABCD$\to$D, and five real-robot tasks on Mobile ALOHA, \textsc{EquiVLA} achieves $92.6\%$ average success on LIBERO (vs. $78.1\%$ baseline), an average sequence length of $4.03$ on CALVIN (vs. $3.45$), and improves real-robot success from $54\%$ to $72\%$.