← 返回主报告

主要信源 / 参考文献聚合页

本页汇总全站一手信源(论文原文 / 官方一手页面),去重后按主题整理为可检索的参考文献表。 来源:主报告附录、各 细读 子文档、具身数据专题第八节。

说明:

• ⚠️ = 提出方 / 厂商自评数据,非独立第三方复现,引用时请谨慎。
• 「关联细读」列指向本站已有的逐篇细读文档;无细读的条目仅给一手 URL。
• 日期 2026-05-30,领域演进极快,多数信源为 2024–2026 预印本 / 官方页面;部分 arXiv 编号落在 2026,极新、社区尚未充分审视。

---

0. 目录速览(主题导航)

#	主题	条数	一句话
1	奠基模型	9	RT 系列、Octo、OpenVLA(-OFT)、π0(-FAST)、Diffusion Policy
2	前沿模型	11	GR00T N1.x、Gemini Robotics、WALL-OSS、Qwen-VLA、RynnVLA、π0.5/π*0.6、CogACT、Helix
3	基准	6	SimplerEnv、LIBERO、CALVIN、MemoryVLA、VOTE、3D Diffuser Actor、GR-1
4	数据集	16	OXE、BridgeData V2、DROID、AgiBot World、Ego4D、Cosmos …
5	采集范式	11	ALOHA 系列、UMI、AirExo、DexCap、MimicGen、DreamGen、Genie/LAPA …
6	综述/方法	6	首篇 VLA 综述、Action Tokenization、知识隔离、Scaling Laws …

---

1. 奠基模型

标题 / 缩写	团队·年份	arXiv / 官网 URL	关联细读	备注
RT-1 (Robotics Transformer 1)	Google 2022	arxiv.org/abs/2212.06817	📄 rt1	EfficientNet + Transformer,离散动作 256 bin,验证"规模换泛化"
RT-2 (VLA 分水岭)	Google DeepMind 2023	arxiv.org/abs/2307.15818 · ar5iv.org/abs/2307.15818	📄 rt2	动作=文本 token,首证网络知识可迁移到机器人控制(PaLI-X / PaLM-E)
Octo	UC Berkeley 2024	arxiv.org/abs/2405.12213	📄 octo	开源通用机器人策略,OXE 上预训练
OpenVLA	Stanford/Berkeley 2024	arxiv.org/abs/2406.09246	📄 openvla	7B 开源 VLA,Prismatic VLM 基座
OpenVLA-OFT	2025 (RSS 2025)	arxiv.org/abs/2502.19645 · openvla-oft.github.io	📄 openvla-oft	离散-vs-连续动作的关键定量证据来源
Diffusion Policy	Columbia/Stanford/Toyota 2023	arxiv.org/abs/2303.04137 · github.com/real-stanford/diffusion_policy	📄 diffusion-policy	扩散模型生成动作序列,视觉运动策略奠基
π0 (pi-zero)	Physical Intelligence 2024	arxiv.org/abs/2410.24164	📄 pi0	流匹配动作专家 + VLM 主干
π0-FAST	Physical Intelligence 2025	arxiv.org/abs/2501.09747 · pi.website/research/fast	📄 pi0-fast	FAST 频域离散动作分词 ⚠️
OXE (Open X-Embodiment)	跨机构 2023	arxiv.org/abs/2310.08864 · robotics-transformer-x.github.io	—	既是数据集又是奠基性跨本体训练基础(见 §4)

---

2. 前沿模型(2024–2026)

标题 / 缩写	团队·年份	arXiv / 官网 URL	关联细读	备注
GR00T N1	NVIDIA GEAR 2025	arxiv.org/abs/2503.14734	📄 groot-n1	人形通用基座,双系统架构
GR00T N1.5 / N1.6 / N1.7	NVIDIA GEAR 2025	research.nvidia.com/labs/gear/gr00t-n1_5/ · …/gr00t-n1_6/ · huggingface.co/blog/nvidia/gr00t-n1-7 · github.com/NVIDIA/Isaac-GR00T	📄 groot-n1	迭代版本(官方页面,⚠️ 自评)
Gemini Robotics	Google DeepMind 2025	arxiv.org/abs/2503.20020	📄 gemini-robotics	Gemini 2.0 基座的 VLA
CogACT	Microsoft 2024	arxiv.org/abs/2411.19650 · github.com/microsoft/CogACT · huggingface.co/CogACT	📄 cogact	认知-动作组件化 VLA
WALL-OSS	X-Square Robot 2025	arxiv.org/abs/2509.11766 · github.com/X-Square-Robot/wall-x · huggingface.co/x-square-robot	📄 wall-oss	端到端具身基座,Qwen2.5-VL MoE ~4B,流匹配 + FAST 双分支 ⚠️
X-Tokenizer	X Square Robot / CityU / Tsinghua 2026	arxiv.org/abs/2606.14752 · x-square-robot.github.io/X-Tokenizer_projectPage/ · github.com/X-Square-Robot/X-Tokenizer · huggingface.co/x-square-robot/X-Tokenizer	📄 x-tokenizer	动作分词器/语义接口,SRQ(q0 意图 + q1-q3 残差),Apache-2.0 权重 ⚠️
Qwen-VLA	Qwen 团队 2026	arxiv.org/abs/2605.30280 · github.com/QwenLM/Qwen-VLA	📄 qwen-vla	⚠️ arXiv 编号落在 2026,极新
Qwen-RobotManip	Qwen 团队 2026	arxiv.org/abs/2606.17846 · github.com/QwenLM/Qwen-RobotManip	📄 qwen-robotmanip	操作 VLA,多本体 state-action 对齐 + 38,100h 语料 ⚠️
Qwen-RobotNav	Qwen 团队 2026	arxiv.org/abs/2606.18112 · github.com/QwenLM/Qwen-RobotNav	📄 qwen-robotnav	导航基础模型,可重配置 observation context ⚠️
Qwen-RobotWorld	Qwen 团队 2026	arxiv.org/abs/2606.17030 · qwen.ai/blog?id=qwen-robotworld	📄 qwen-robotworld	语言条件视频世界模型,归 WAM ⚠️
RynnVLA-001	达摩院 + 湖畔 2025 (ICRA 2026)	arxiv.org/abs/2509.15212 · huggingface.co/Alibaba-DAMO-Academy/RynnVLA-001-7B-Base	📄 rynnvla	7B,视频生成预训练→动作"第三条路" ⚠️
π0.5 (pi-zero-five)	Physical Intelligence 2025	arxiv.org/abs/2504.16054 · pi.website/blog/pi05	📄 pi05	开放世界泛化
π*0.6 (pi-star-0.6 / RECAP)	Physical Intelligence 2025.11	arxiv.org/abs/2511.14759 · pi.website/blog/pistar06 · website.pi-asset.com/pi06star/PI06_model_card.pdf	📄 pi06	真机 RL 改进,最难任务吞吐翻倍、失败率约减半 ⚠️
Figure Helix	Figure AI 2025	figure.ai/news/helix	—	仅官方新闻页(无论文) ⚠️

---

3. 基准 Benchmark

标题 / 缩写	团队·年份	arXiv / 官网 URL	关联细读	备注
SimplerEnv	2024	arxiv.org/abs/2405.05941 · github.com/simpler-env/SimplerEnv	—	仿真评测桥接真机
LIBERO	NeurIPS 2023 (Liu & Zhu)	github.com/Lifelong-Robot-Learning/LIBERO	—	终身机器人学习基准
CALVIN	2021	arxiv.org/abs/2112.03227 · github.com/mees/calvin	—	长程语言条件操作基准
MemoryVLA	2025	arxiv.org/abs/2508.19236	—	横评数据源(记忆机制)
VOTE	2025	arxiv.org/abs/2507.05116	—	横评数据源
3D Diffuser Actor	2024	arxiv.org/abs/2402.10885	—	CALVIN/横评对照
GR-1	ICLR 2024	gr1-manipulation.github.io	—	视频预训练操作策略,横评对照

---

4. 数据集

真机数据集

标题 / 缩写	团队·年份	arXiv / 官网 URL	关联细读	备注
OXE (Open X-Embodiment)	跨机构 2023	arxiv.org/abs/2310.08864 · robotics-transformer-x.github.io	📄 embodied-data	跨本体聚合数据集
BridgeData V2	UC Berkeley 2023	arxiv.org/abs/2308.12952 · rail-berkeley.github.io/bridgedata	📄 embodied-data
DROID	跨机构 2024	arxiv.org/abs/2403.12945 · droid-dataset.github.io	📄 embodied-data
RH20T	2023	arxiv.org/abs/2307.00595	📄 embodied-data
RoboSet	2023	arxiv.org/abs/2309.01918 · robopen.github.io/roboset	📄 embodied-data	官方 28,500 条(网传 98,500 有误)
AgiBot World	智元 OpenDriveLab 2025	arxiv.org/abs/2503.06669 · opendrivelab.com/AgiBot-World	📄 embodied-data
RoboMIND	2024	arxiv.org/abs/2412.13877	📄 embodied-data
Language-Table	Google 2022	arxiv.org/abs/2210.06407	📄 embodied-data
BC-Z	Google 2022	arxiv.org/abs/2202.02005	📄 embodied-data

人类视频与第一视角

标题 / 缩写	团队·年份	arXiv / 官网 URL	关联细读	备注
Ego4D	跨机构 2021	arxiv.org/abs/2110.07058	📄 embodied-data
Ego-Exo4D	跨机构 2023	arxiv.org/abs/2311.18259	📄 embodied-data
EPIC-Kitchens	2018	arxiv.org/abs/1804.02748	📄 embodied-data
Something-Something V2	2017	arxiv.org/abs/1706.04261	📄 embodied-data
EgoDex	Apple 2025	arxiv.org/abs/2505.11709 · github.com/apple/ml-egodex	📄 embodied-data

仿真与合成 / 世界模型

标题 / 缩写	团队·年份	arXiv / 官网 URL	关联细读	备注
MimicGen	NVIDIA 2023	arxiv.org/abs/2310.17596	📄 embodied-data
RoboCasa	2024	arxiv.org/abs/2406.02523	📄 embodied-data
ManiSkill2	UCSD/Hao Su 2023	arxiv.org/abs/2302.04659	📄 embodied-data
ManiSkill3	UCSD/Hao Su 2024	arxiv.org/abs/2410.00425	📄 embodied-data	30,000+ FPS,比同类快 10–1000× ⚠️
Isaac Sim / Lab	NVIDIA 2023–25	arxiv.org/abs/2511.04831	📄 embodied-data	sim-to-real / 域随机化主力框架
DreamGen	NVIDIA GEAR 2025	arxiv.org/abs/2505.12705	📄 embodied-data	RoboCasa 上最高 333× 放大 ⚠️,已有真机仍 +8.8% ⚠️
Cosmos (世界基础模型)	NVIDIA 2025–26	arxiv.org/abs/2501.03575	📄 embodied-data	open-weight CC-BY-4.0,约 1 亿级片段,4B–14B

---

5. 采集范式与数据生成

标题 / 缩写	团队·年份	arXiv / 官网 URL	关联细读	备注
ALOHA	Stanford 2023	arxiv.org/abs/2304.13705	📄 embodied-data	低成本双臂遥操作
Mobile ALOHA	Stanford 2024	arxiv.org/abs/2401.02117	📄 embodied-data	移动底盘版
ALOHA 2	Google DeepMind 2024	arxiv.org/abs/2405.02292	📄 embodied-data
UMI (Universal Manipulation Interface)	Stanford 2024	arxiv.org/abs/2402.10329	📄 embodied-data	手持夹爪采集
FastUMI-100K	2025	arxiv.org/html/2510.08022v1	📄 embodied-data
AirExo	2023	arxiv.org/abs/2309.14975	📄 embodied-data	外骨骼采集
AirExo-2	2025	arxiv.org/abs/2503.03081	📄 embodied-data
DexCap	Stanford 2024	arxiv.org/abs/2403.07788	📄 embodied-data	灵巧手动作捕捉
Genie (生成式交互环境)	DeepMind 2024	arxiv.org/abs/2402.15391	📄 embodied-data
LAPA (潜动作预训练)	2024	arxiv.org/abs/2410.11758	📄 embodied-data
EgoMimic	2024	arxiv.org/abs/2410.24221	📄 embodied-data	第一视角模仿

---

6. 综述 / 方法 / Scaling

标题 / 缩写	团队·年份	arXiv / 官网 URL	关联细读	备注
首篇 VLA 综述	2024.05	arxiv.org/abs/2405.14093	📄 主报告 §综述视角	① VLA 组件 ② 控制策略 ③ 高层任务规划器
Action Tokenization 综述	2025	arxiv.org/abs/2507.01925	📄 主报告	8 类动作 token 分类
VLA 三阶段时间线综述	2025	arxiv.org/abs/2505.04769	📄 主报告	基础融合→具身推理→泛化与安全部署
Knowledge Insulation(知识隔离)	Physical Intelligence 2025	arxiv.org/abs/2505.23705 · pi.website/research/knowledge_insulation	📄 pi06	隔离预训练 VLM 主干,连续专家梯度不回传
Data Scaling Laws (机器人)	2024	arxiv.org/abs/2410.18647	📄 embodied-data
Re-Mix(数据配比)	2024	arxiv.org/abs/2408.14037	📄 embodied-data
Sim-and-Real Co-Training	2025	arxiv.org/abs/2503.24361	📄 embodied-data	仿真-真机协同训练

---

附:按 arXiv 编号速查表

arXiv ID	名称	主题
1706.04261	Something-Something V2	数据集
1804.02748	EPIC-Kitchens	数据集
2110.07058	Ego4D	数据集
2112.03227	CALVIN	基准
2202.02005	BC-Z	数据集
2210.06407	Language-Table	数据集
2212.06817	RT-1	奠基模型
2302.04659	ManiSkill2	数据集
2303.04137	Diffusion Policy	奠基模型
2304.13705	ALOHA	采集范式
2307.00595	RH20T	数据集
2307.15818	RT-2	奠基模型
2308.12952	BridgeData V2	数据集
2309.01918	RoboSet	数据集
2309.14975	AirExo	采集范式
2310.08864	OXE	奠基/数据集
2310.17596	MimicGen	采集范式
2311.18259	Ego-Exo4D	数据集
2401.02117	Mobile ALOHA	采集范式
2402.10329	UMI	采集范式
2402.10885	3D Diffuser Actor	基准
2402.15391	Genie	采集范式
2403.07788	DexCap	采集范式
2403.12945	DROID	数据集
2405.02292	ALOHA 2	采集范式
2405.05941	SimplerEnv	基准
2405.12213	Octo	奠基模型
2405.14093	首篇 VLA 综述	综述
2406.02523	RoboCasa	数据集
2406.09246	OpenVLA	奠基模型
2408.14037	Re-Mix	方法
2410.00425	ManiSkill3	数据集
2410.11758	LAPA	采集范式
2410.18647	Data Scaling Laws	方法
2410.24164	π0	奠基模型
2410.24221	EgoMimic	采集范式
2411.19650	CogACT	前沿模型
2412.13877	RoboMIND	数据集
2501.03575	Cosmos	数据集
2501.09747	π0-FAST	奠基模型
2502.19645	OpenVLA-OFT	奠基模型
2503.03081	AirExo-2	采集范式
2503.06669	AgiBot World	数据集
2503.14734	GR00T N1	前沿模型
2503.20020	Gemini Robotics	前沿模型
2503.24361	Sim-and-Real Co-Training	方法
2504.16054	π0.5	前沿模型
2505.04769	VLA 三阶段时间线综述	综述
2505.11709	EgoDex	数据集
2505.12705	DreamGen	数据集
2505.23705	Knowledge Insulation	方法
2507.01925	Action Tokenization 综述	综述
2507.05116	VOTE	基准
2508.19236	MemoryVLA	基准
2509.11766	WALL-OSS	前沿模型
2509.15212	RynnVLA-001	前沿模型
2510.08022	FastUMI-100K	采集范式
2511.04831	Isaac Lab	数据集
2511.14759	π*0.6	前沿模型
2605.30280 ⚠️	Qwen-VLA	前沿模型
2606.17030 ⚠️	Qwen-RobotWorld	WAM / 世界模型
2606.17846 ⚠️	Qwen-RobotManip	前沿模型
2606.18112 ⚠️	Qwen-RobotNav	导航模型

---

本页为《VLA 发展深度调研报告》信源聚合,综合主报告附录 + 近期细读 + 具身数据专题第八节,去重整理。⚠️ 标记处为提出方/厂商自评数据。