端到端 VLA 并非唯一解：分层推理的具身基础模型 RoBridge 破解机器人「知行合一」难题

130 0 0

文章摘要

RoBridge是一种分层推理的具身基础模型，旨在解决机器人操作技术中的两大核心问题：高昂的训练成本和认知与执行的割裂。传统端到端视觉语言动作（VLA）模型虽然能够实现指令理解与动作输出的直接映射，但其训练成本极高，通常需要数十张GPU数周的训练时间，且在面对环境变化时性能显著下降。RoBridge通过创新设计的分层结构，将认知规划与物理执行解耦，显著降低了训练成本，仅需单张A100训练一天即可突破技术瓶颈。

RoBridge的架构由三个核心模块组成：高级认知规划器（HCP）、不变可操作表示（IOR）和通用具身代理（GEA）。HCP负责任务语义解析，将复杂任务分解为多个原子动作；IOR构建符号化中间层，有效降低环境变化对模型的影响；GEA负责物理执行，通过闭环控制进行调节。实验表明，RoBridge在零样本泛化测试中达到了75%的新任务成功率，仅需5个真实样本即可实现模拟到现实的泛化成功率（83%），相比RDT、π0等基线模型提升了超过40%。

在训练过程中，RoBridge采用了强化学习、模仿学习和持续技能聚合三个阶段。强化学习阶段为每个任务训练专家策略，引入机械臂位姿、物体形状和相机偏移等领域的随机化以提升鲁棒性；模仿学习阶段基于专家数据训练通用策略，新增深度图和掩膜增强；持续技能聚合采用改进的DAgger算法，动态调整任务采样频率，优先采集困难任务。

在真实场景和仿真基准测试中，RoBridge表现卓越。在Metaworld基准测试中，RoBridge平均成功率达到82.12%，较最优基线提升11.28%；在真实任务中，平均成功率为83.3%，长时程任务平均完成阶段数为3.0。此外，RoBridge在零样本任务泛化测试中展现出优异的迁移能力，平均成功率为75%。

RoBridge通过分离高层语义理解与底层物理控制，将VLM的开放场景认知优势与强化学习的精确操作能力深度融合，创新引入IOR作为符号化中间层，有效解决传统模型因跨模态特征错位导致的“脑手不一”问题。该架构在显著降低训练成本的同时，显著提升开放式任务的操作鲁棒性，为破解机器人“知行合一”难题提供了可扩展的技术路径。