机器人基础模型与 VLA：架构、评测与安全

直接回答

机器人基础模型是希望跨机器人任务、场景或本体迁移的预训练模型或策略。**视觉-语言-动作模型（Vision-Language-Action，VLA）**是其中一类重要架构：它把视觉观测、语言指令以及通常包含的本体状态映射为动作或动作块。参数量、模型标签或一次基准不能证明可生产。生产就绪需要不可变的模型-本体契约、防泄漏评测、实时接口验证、独立安全控制、受保护灰度和可回滚证据。

本文聚焦机器人基础模型工程。若要了解更宽泛的定义与感知-行动闭环，请阅读具身智能是什么？。

核心要点

• “基础模型”是一项迁移能力声明，不是标准化认证；必须说明跨任务、场景、机器人和动作空间迁移了什么。
• VLA 的关键差异集中在动作接口：离散 Token、回归、扩散、Flow Matching 与动作分块具有不同延迟和控制含义。
• 跨本体训练依赖明确的观测、坐标系、动作、时序和本体元数据契约。
• 任务成功率只是起点；还要评测泛化切片、重复性、故障原因、人工干预、安全、延迟和恢复。
• 学习策略不能成为唯一安全层；确定性约束、看门狗、保护停机和应用级风险控制必须独立存在。

什么才算机器人基础模型？

机器人基础模型是否可复用，只能由声明协议下的迁移证据证明。这个名称可能指表征模型、高层规划器、视觉运动策略，或组合多个组件的系统。比较两个系统前，应先回答：

Open X-Embodiment 论文 汇聚了 22 种机器人数据，并在 RT-X 实验中报告正迁移。它证明异构机器人数据具有可行性，但不等于任意机器人即插即用。机器人形态、相机安装、坐标系、控制频率与动作语义仍需要适配。

VLA 在机器人系统中的位置

VLA 把语义观测和指令连接到动作表示，但不会抹去机器人栈的其他部分。

观测与语言编码

策略可以接收一个或多个相机视角、机器人状态、力觉或触觉信号，以及任务指令。传感器时间戳和标定属于输入契约。腕部相机训练的模型若直接接入第三方相机，不能默认保留原能力声明。

当场景感知需要估计数量未知且不断变化的对象时，随机有限集提供不依赖任意顺序的 Bayesian 状态表示；概率假设密度滤波则把 Posterior 压缩为一阶 Intensity，以较低成本估计对象数量和位置，但自身不保持对象身份。这些估计器属于可测量的感知栈，VLA Embedding 不能替代它们的 Detection、Clutter 与 Calibration 契约。

势概率假设密度滤波在期望 Cardinality 不足以表达数量不确定性时增加显式数量分布；势平衡多目标多伯努利滤波则为潜在对象分别保存存在概率与状态密度。两种标准形式都不提供持久身份，因此数量准确性与航迹连续性必须分开评测。

当历史本身属于感知契约时，轨迹随机有限集把每条完整航迹作为一个集合元素；轨迹概率假设密度滤波保留这些历史上的一阶 Intensity，轨迹势概率假设密度滤波则额外保留数量分布。两者仍是近似，Lag、Pruning 与 Extraction Policy 必须进入评测。

多模态主干

主干网络把观测和语言对齐到共享表示。RT-2 同时使用互联网视觉语言任务与机器人轨迹微调视觉语言模型，并把动作表示为文本 Token。论文在 6,000 次评测试验中展示了语义迁移，但结论只对其任务、机器人和协议成立。

动作解码器

动作解码器决定模型输出如何交给控制器：

π0 论文 在预训练视觉语言主干之上使用 Flow Matching，并评测多种灵巧任务。它代表一种设计选择，不能证明 Flow Matching 在任意任务上都比 Token 或扩散策略更快、更安全或更准确。

实时控制边界

模型推理与底层控制通常运行在不同频率。部署契约必须记录观测频率、推理延迟、动作时域、命令频率、抖动策略、陈旧命令处理，以及插值或执行动作块的控制器。只报告平均延迟不够；Deadline Miss 和尾延迟都可能破坏系统稳定性。

建立跨本体数据契约

只有模型能够一致解释每个 Episode 时，机器人数据才可复用。一个包含视频和电机数组的目录并不是可治理数据集。

{
  "episode_id": "cell-a/task-17/run-0042",
  "embodiment": {
    "robot_model": "arm-x",
    "kinematic_revision": "sha256:...",
    "end_effector": "gripper-y",
    "action_space": "ee_delta_xyz_rpy_grip",
    "action_units": ["m", "rad", "binary"],
    "control_hz": 20
  },
  "observations": {
    "camera_ids": ["head", "wrist"],
    "calibration_revision": "sha256:...",
    "state_schema": "joint_position_velocity-v2",
    "clock": "monotonic-ns"
  },
  "task": {
    "instruction": "把蓝色零件放入 B 托盘",
    "scene_id": "scene-91",
    "object_set": "parts-v3"
  },
  "outcome": {
    "status": "success",
    "failure_code": null,
    "human_interventions": 0
  },
  "provenance": {
    "collection_method": "teleoperation",
    "license": "dataset-specific",
    "consent_policy": "policy-v4"
  }
}

时钟同步与标定

图像、机器人状态、动作与接触事件必须共享有文档的时钟和对齐策略。相机内外参、工具中心点、关节约定与控制延迟都需要版本化标定。训练和部署使用不同对齐方式，会产生静默分布漂移。

动作归一化

跨机器人学习需要明确转换关节空间、笛卡尔空间、夹爪和控制频率。归一化统计属于 Checkpoint 制品，不能从文件名猜测单位、坐标系或夹爪正负方向。

结果与故障标签

只保留成功示教会隐藏恢复行为，也削弱离线验证。应记录部分完成、超时、感知错误、目标不可达、避碰、保护停机、物体掉落、人工干预和未知结果。“未知”必须与成功和失败分开。

来源与治理

记录每个 Episode 由谁或什么生成、适用许可证、同意、保留期、受限环境与派生制品。人类视频、遥操作、合成数据和自主采集具有不同权利与 Domain Gap；混合后的数据量更大，不代表质量一定更好。

防止评测数据泄漏

机器人数据在相机、轨迹、场景和重复示教之间包含大量近似样本。随机按 Episode 切分，很容易把几乎相同条件放进训练集与评测集。

应显式留出：

• 新物体实例与外观；
• 新场景布局、光照和背景；
• 新语言表达与组合式指令；
• 新任务组合或更长时域；
• 新操作员和采集 Session；
• 同型号的新机器人单机；
• 新本体或动作 Adapter；
• 经过标定的传感器扰动与依赖故障。

先对相关 Episode 分组，再切分。模型应携带切分 Manifest 与 Hash。若基准中的任务、物体或场景可能出现在预训练数据中，应标记为分布内或可能污染，不能直接称为“零样本”。

适配模型，但保留可回退基线

适配应从狭窄任务和本体契约开始，而不是从“通用机器人智能”承诺开始。

可选适配路径包括：

• 不更新权重，只修改 Prompt 或任务模板；
• 观测与动作 Adapter；
• 参数高效微调；
• 动作头或 Action Expert 训练；
• 完整策略微调；
• 模仿学习后进行严格受控的强化学习。

OpenVLA 发布了 7B VLA 的 Checkpoint、代码和微调方案，其训练包含 970,000 条示教。论文结果是该模型和协议的有效证据，但不能与在不同任务上测试的新系统直接排名。

始终保留固定基础 Checkpoint、目标数据 Hash、优化器配置、Adapter Revision、归一化统计与评测切分。缺少这些制品，就无法完整回滚与归因。

分层评测，而不是只看一个成功率

生产评测需要拆分任务能力、泛化、Runtime、安全与运营。

2026 年的 VLA 综述 将领域划分为组件、低层控制策略和高层任务规划器，并整理数据集、仿真器与基准。这种广度说明不能把所有系统压成一个排行榜。

沿独立维度诊断失败

ICML 2026 接收的 VLA-Arena 把评测组织为四个独立维度：任务结构（Task Structure）、语言（Language）、视觉（Visual）与安全（Safety）。论文报告了模型在不同场景中的排名反转，这对工程决策很关键：一个模型在某种汇总设置中领先，换一种指令、视觉条件、任务结构或安全挑战后，可能不再占优。

应把这四个维度用作诊断切片，而不是复制一个总分：

任务成功与安全合规也必须分开。一场安全失败可能在评测阶段可接受，因为系统在造成伤害前停机；一次不安全成功仍应判为发布失败。应报告“安全/不安全 × 成功/失败”的全部四格，而不只是一个完成率。VLA-Arena 仍受其任务、仿真和真机设置约束，因此它提供的是测试维度，不是生产认证。

重复试验并报告不确定性

物理试验有随机性且成本高。应公开试验次数、Seed 或随机顺序、置信区间、重置流程、操作员说明和被排除的运行。不同机器人、任务、成功定义或干预策略下的百分比不能直接比较。

区分基准泛化与真实部署

留出物体基准不能证明系统可以连续运行一个班次。部署还需要考察可用率、重启行为、标定漂移、机械磨损、网络故障、人员接近、材料变化，以及部分执行后的恢复。

把安全拆成多个测试轨道

语义拒绝、任务可行性、避碰、力限制和紧急响应是不同能力。模型可能拒绝危险指令，却生成不稳定轨迹；也可能平滑地朝错误目标移动。语义安全与物理安全必须分开评测。

让安全独立于学习策略

机器人模型输出会产生不可逆的物理影响，因此安全控制必须位于学习策略之外，并在策略错误、缓慢、不可用或被攻击时仍可强制执行。

具体安全论证取决于应用与司法辖区。ISO 10218-1:2025 规定工业机器人安全要求，并明确区分机器人自身要求与 ISO 10218-2 覆盖的集成和应用要求。该标准不是 VLA 认证，而且排除了消费品、公众可接触服务、医疗、军事和航空等多个领域。

至少定义：

• 关节、工作空间、速度、加速度、力与负载包络；
• 适合工作单元的碰撞与隔离监控；
• 陈旧、格式错误、越界与缺失命令的处理；
• 独立急停和保护停机路径；
• 高风险模式的人工授权；
• 有边界的重试与恢复状态；
• 不可变事件日志与事故复盘。

语言指令或模型置信度不能覆盖这些控制。

创建不可变发布 Manifest

模型、数据、机器人与安全配置共同组成一个可部署制品。

release_id: vla-cell-a-2026-08-09.1
base_checkpoint: sha256:...
adapter_checkpoint: sha256:...
training_dataset: sha256:...
evaluation_split: sha256:...
observation_schema: robot-observation-v3
action_schema: ee-delta-v2
normalization_stats: sha256:...
embodiment_revision: sha256:...
calibration_revision: sha256:...
runtime_image: sha256:...
hardware_profile: arm-x-gpu-y
control_hz: 20
safety_policy_revision: sha256:...
rollback_release: vla-cell-a-2026-07-14.3

即使权重没变，只要标定、动作归一化、控制器时序、相机位置或安全策略改变，就属于一次发布变更。

可运行的发布门禁

以下无第三方依赖的 Go 校验器对候选执行可配置的任务、安全、延迟和干预门禁。阈值来自应用风险与服务目标，程序不会虚构通用值。

package main

import (
	"encoding/json"
	"fmt"
	"os"
	"sort"
)

var requiredArtifacts = []string{
	"base_checkpoint",
	"evaluation_split",
	"observation_schema",
	"action_schema",
	"normalization_stats",
	"embodiment_revision",
	"calibration_revision",
	"runtime_image",
	"safety_policy_revision",
	"rollback_release",
}

type Gate struct {
	Op    string  `json:"op"`
	Value float64 `json:"value"`
}

type Candidate struct {
	Artifacts map[string]string  `json:"artifacts"`
	Metrics   map[string]float64 `json:"metrics"`
	Gates     map[string]Gate    `json:"gates"`
}

func validate(candidate Candidate) []string {
	var errors []string
	var missing []string
	for _, name := range requiredArtifacts {
		if candidate.Artifacts[name] == "" {
			missing = append(missing, name)
		}
	}
	if len(missing) > 0 {
		sort.Strings(missing)
		errors = append(errors, fmt.Sprintf("missing artifacts: %v", missing))
	}
	if candidate.Metrics == nil || candidate.Gates == nil {
		errors = append(errors, "metrics and gates must be objects")
		return errors
	}

	for name, rule := range candidate.Gates {
		measured, ok := candidate.Metrics[name]
		if !ok {
			errors = append(errors, "missing metric: "+name)
			continue
		}
		if rule.Op != "min" && rule.Op != "max" {
			errors = append(errors, "invalid gate: "+name)
			continue
		}
		passed := rule.Op == "min" && measured >= rule.Value ||
			rule.Op == "max" && measured <= rule.Value
		if !passed {
			errors = append(errors, fmt.Sprintf(
				"gate failed: %s measured=%g %s=%g",
				name, measured, rule.Op, rule.Value,
			))
		}
	}
	sort.Strings(errors)
	return errors
}

func main() {
	if len(os.Args) != 2 {
		fmt.Fprintln(os.Stderr, "usage: vla_release_gate candidate.json")
		os.Exit(2)
	}
	data, err := os.ReadFile(os.Args[1])
	if err != nil {
		fmt.Fprintln(os.Stderr, err)
		os.Exit(2)
	}
	var candidate Candidate
	if err := json.Unmarshal(data, &candidate); err != nil {
		fmt.Fprintln(os.Stderr, err)
		os.Exit(2)
	}
	if errors := validate(candidate); len(errors) > 0 {
		for _, message := range errors {
			fmt.Fprintln(os.Stderr, "ERROR:", message)
		}
		os.Exit(1)
	}
	fmt.Println("candidate passed:", os.Args[1])
}

运行：

go run vla_release_gate.go candidate.json

可配置门禁包括：关键切片任务验收率、最大碰撞或约束违规、最大人工干预率、最大 P95 Sensor-to-Action 延迟、最大 Deadline Miss，以及运行包络内的最小成功循环数。仿真通过不等于获准真机部署；它只是发布决策的一项输入。

按物理风险逐级灰度

只有前一阶段产生可审阅证据后，才能增加物理暴露。

1. 离线回放：验证 Schema、归一化、动作范围和已知轨迹。
2. 仿真：测试任务切片、扰动、依赖故障和确定性监控。
3. 硬件在环：在不开放无限制运动的前提下验证 Runtime 接口与时序。
4. 受保护单元试验：限制工作空间、速度、负载，并只允许授权操作员。
5. 影子或建议模式：在系统允许时比较候选动作，但不执行。
6. 窄范围灰度：只启用一个任务、机器人 Revision、材料集与运行包络。
7. 受控扩展：质量、安全、干预、延迟与可用率持续满足门禁后再扩大。

回滚必须整体恢复模型权重、Adapter、归一化、标定、Runtime 与安全配置。若物理动作已经发生，还需做状态对账：确认物体、机器人和工作单元状态后才能继续。

常见失败模式

把模型演示当成系统评测

剪辑演示无法说明试验次数、重置、被排除失败、干预或运行包络。应要求协议、原始结果与故障分类。

比较不兼容的成功率

不同任务和机器人的成功百分比不是排行榜。候选必须在相同硬件、切分、控制器和验收定义下复现。

忽略动作接口

Checkpoint 兼容远远不够。坐标系、单位、动作时域、夹爪语义、控制频率与归一化都必须匹配。

让策略承担全部安全论证

训练数据与语义拒绝不能替代确定性物理限位和应用风险评估。学习策略只是受约束系统中的一个组件。

只记录成功 Episode

缺少失败、人工干预、保护停机和未知结果时，下一轮训练会放大幸存者偏差并隐藏恢复缺口。

常见问题

每个 VLA 都是机器人基础模型吗？

不一定。VLA 描述输入输出家族，“基础模型”则隐含在有意义范围内复用或适配的证据。只针对一台固定机器人与任务训练的 VLA 仍可有价值，但不能据此证明广泛迁移。

动作 Token 和 Flow Matching 哪个更好？

没有通用答案。Token 方法复用自回归建模，但会离散动作；Flow 与扩散方法建模连续动作块，却增加求解器、时域与 Runtime 选择。必须在同一任务、机器人、控制器、延迟预算和故障策略下比较。

Open X-Embodiment 数据可以直接运行在任何机器人上吗？

不可以。该数据集标准化了异构机器人数据访问，但目标机器人仍需兼容观测、动作映射、标定、时序和适配。RT-X 实验中的正迁移不能保证迁移到任意本体。

最小可用的 VLA 评测包含什么？

至少需要固定 Checkpoint 和切分、重复干净条件试验、留出物体/场景/指令切片、Runtime 接口检查、故障码、人工干预日志、尾延迟、确定性安全约束测试，以及专用策略或上一版本基线。

什么情况下应该继续使用经典或专用策略？

当任务稳定、可精确定义、安全关键、数据不足，或现有方案已满足可靠性与节拍时，应保留专用策略。只有迁移或适配收益通过完整系统评测，通用模型才值得引入。

总结

机器人基础模型和 VLA 可以减少任务专用策略工程，但价值始终有条件。系统应围绕显式观测与动作契约、可治理跨本体数据、防泄漏评测、独立安全层、不可变发布和逐级物理风险灰度构建。生产问题不是“哪个模型最聪明”，而是“哪个完整系统能在这台机器人上满足任务、安全、时序、干预与回滚契约”。

参考资料

• RT-2：Vision-Language-Action Models Transfer Web Knowledge to Robotic Control
• Open X-Embodiment：Robotic Learning Datasets and RT-X Models
• OpenVLA：An Open-Source Vision-Language-Action Model
• π0：A Vision-Language-Action Flow Model for General Robot Control
• A Survey on Vision-Language-Action Models for Embodied AI
• VLA-Arena：机器人 Vision-Language-Action 模型评测
• ISO 10218-1:2025：工业机器人安全要求
• 具身智能是什么？
• 世界模型与物理预测