NebulaVLA: A Dual-Frequency Vision-Language-Action Model With Guide Action for Robotic Manipulation
作者: Cong Zhao, Shuai Tian, Xu Zhang, Baocheng Ni, Xinguo Song, Xueying Sun, Shu Jiang, Shouchang Yang, Bo Tang, Jin Deng, Ge Zhu, YongCheng Wang, Jin Xu, Ri Yang
分类: cs.RO, cs.AI
发布日期: 2026-08-17
备注: 14 pages, 5 figures
💡 一句话要点
提出NebulaVLA以解决机器人操作中的效率与性能权衡问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 视觉-语言-动作 机器人操作 异步架构 跨实体泛化 动作生成 运动学连续性 模块化设计
📋 核心要点
- 现有的VLA模型在效率与性能之间存在权衡，难以实现高效的机器人操作。
- NebulaVLA通过异步双频架构，将高层语义推理与低层动作控制解耦，提升了计算资源的利用率。
- 实验结果显示，NebulaVLA在LIBERO-Plus上达到了85.5%的成功率，且动作生成速度提升了约2.7倍。
📝 摘要（中文）
在现实世界中，视觉-语言-动作（VLA）模型的部署常常受到效率与性能之间的权衡、跨实体泛化和执行平滑度的瓶颈。本文提出了NebulaVLA，一种异步双频架构，将高层语义推理与低层动作控制解耦，从而优化计算资源和模块化。为弥合异构机器人之间的语义差距，我们引入了GESTURE-7，一个统一的语言基础动作表示。此外，我们的引导动作算法通过基于掩码的平滑性约束来强制运动学连续性。综合评估表明，NebulaVLA显著优于同步基线，在LIBERO-Plus上实现了85.5%的平均成功率，并将动作生成速度提升约2.7倍。这种异步设计为实际机器人提供了高效且响应迅速的控制。
🔬 方法详解
问题定义：本文旨在解决现有视觉-语言-动作模型在机器人操作中面临的效率与性能权衡问题，尤其是在跨实体泛化和执行平滑度方面的挑战。
核心思路：NebulaVLA的核心思路是通过异步双频架构，将高层的语义推理与低层的动作控制进行解耦，从而优化计算资源的使用和模块化设计。
技术框架：NebulaVLA的整体架构包括高层语义推理模块、低层动作控制模块和统一的语言基础动作表示（GESTURE-7）。该架构支持异步处理，提高了系统的响应速度和效率。
关键创新：最重要的技术创新在于引入了异步双频架构和GESTURE-7表示，使得不同类型的机器人能够有效地共享和理解动作语义，显著提升了跨实体的泛化能力。
关键设计：在设计中，采用了基于掩码的平滑性约束来实现运动学连续性，并在网络结构中优化了参数设置和损失函数，以确保高效的动作生成和执行。
🖼️ 关键图片
📊 实验亮点
在实验中，NebulaVLA在LIBERO-Plus数据集上实现了85.5%的平均成功率，显著高于现有的同步基线。此外，该模型的动作生成速度提升了约2.7倍，展示了其在实际应用中的高效性和响应性。
🎯 应用场景
NebulaVLA的研究成果在多个领域具有广泛的应用潜力，包括智能制造、服务机器人和人机协作等。通过提升机器人在复杂环境中的操作能力，该模型能够有效支持自动化任务，降低人力成本，并提高工作效率。未来，随着技术的进一步发展，NebulaVLA可能会在更广泛的机器人应用场景中发挥重要作用。
📄 摘要（原文）
Real-world deployment of Vision-Language-Action (VLA) models is often bottlenecked by efficiency-performance trade-offs, cross-embodiment generalization, and execution smoothness. We present NebulaVLA, an asynchronous dual-frequency architecture that decouples high-level semantic reasoning from low-level action control, optimizing computational resources and modularity. To bridge semantic gaps across heterogeneous robots, we introduce GESTURE-7, a unified language-grounded action representation. Furthermore, our Guide Action algorithm enforces kinematic continuity via mask-based smoothness constraints. Comprehensive evaluations demonstrate that NebulaVLA significantly outperforms synchronous baselines, achieving an 85.5\% average success rate on LIBERO-Plus and accelerating action generation by \textasciitilde 2.7$\times$. This asynchronous design enables highly efficient and responsive control for practical robotics.