3D VLA新范式！CVPR冠军方案BridgeVLA，真机性能提升32%

编辑：LRST

【新智元导读】中科院自动化所提出BridgeVLA模型，通过将3D输入投影为2D图像并利用2D热图进行动作预测，实现了高效且泛化的3D机器人操作学习。实验表明，BridgeVLA在仿真和真实场景中均展现出卓越的性能和数据效率，仅需3条轨迹即可在基础任务中达到96.8%的成功率。

近年来，视觉-语言-动作（VLA）模型在机器人操作任务中大放异彩，成为推动通用机器人操作的重要引擎。

但现有的VLA模型，大多只以2D信息作为输入，且需要大量的机器人数据进行微调；

反观以PerAct，RVT-2为代表的3D操作策略，通常仅需要10条轨迹就能够取得不错的效果，因此，一个很自然的想法是，是否能将现有的2D VLA升级为3D VLA，使其同时兼具2D VLA的效果以及3D操作策略的效率？

中科院自动化所的研究人员提出的BridgeVLA给出了肯定的回答！

论文链接：https://www.arxiv.org/abs/2506.07961

项目主页：https://bridgevla.github.io/home_page.html

实验表明，BridgeVLA仅需采集3条轨迹就能在基础设置中实现96.8%的任务成功率。

在多种泛化性设置中，比如未见过的干扰物、高度、光照、物体种类以及未见过的物体技能组合等，BridgeVLA展现出碾压式的性能，相较于基线模型取得了32%的性能提升。

在仿真中，BridgeVLA屠榜了主流3D机器人操作基准，在RLBench、COLOSSEUM、GemBench等三个仿真基准中均取得了最先进的性能。

2D VLA的泛化，3D Policy的效率，这下全部打包带走！

缩小VLM和VLA之间的迁移差距

图1. BridgeVLA统一输入与输出的方案，兼顾泛化性与高效性

近来，OpenVLA、pi0等2D VLA架构在机器人领域取得了广泛关注，它们借助预训练多模态大模型强大的表征能力，将自然语言指令、图像观测与动作预测串联在一起，展现出很强的泛化能力。

然而，这类型2D VLA所带来的代价同样很大：为了让模型真正学会每个任务，往往需要上百条专家演示。这其中的数据收集、清洗与标注需要高昂的人力成本，很难在更大规模的工业场景下落地。

与此同时，研究者们发现，如果直接在3D空间中学习动作策略，凭借3D输入蕴含的显式空间结构信息，模型只需极少的轨迹就能掌握操作技能，具有很高的数据效率。

因此，理论上来讲，将3D信息和VLA相结合是有可能构造出一个高性能且高效率的3D VLA模型的。然而，当前已有的3D VLA模型却并未实现上述期待。

BridgeVLA的研究团队发现，这背后有两个方面的原因：

1）这些方案输出形式割裂。大多数3D VLA方法把动作输出建模为 token 序列，这样的做法割裂了动作输出与观测输入之间的空间对应关系，难以充分利用三维几何信息。

2）这些方案的输入和预训练多模态大模型的输入分布不匹配。预训练VLM是以2D 图像作为输入的，而这与微调阶段的3D 输入分布差异巨大，导致直接迁移效果不佳。

基于这些观察，BridgeVLA的研究团队提出：如果将3D输入与动作输出都统一到2D空间，同时将预训练阶段的输入和输出也统一到2D空间的话，将可以同时继承2D VLA的泛化能力与3D操作策略的数据效率。

BridgeVLA是如何设计的？

图2. BridgeVLA 2D热度图预训练与3D动作微调结构图

BridgeVLA的训练流程主要分为两个阶段：首先是2D 热度图预训练，然后是3D动作微调。预训练阶段主要用于提升模型的空间感知能力，使其具备从图像和语言描述中精准定位目标区域的能力；而微调阶段则通过三视角图像进行动作预测，完成具体的 3D 操作策略学习。

传统的预训练多模态大模型在预训练阶段主要通过预测token 序列来完成分类或生成任务，而这样的token序列并不具备任何的空间结构。

为了使模型具备空间定位能力，BridgeVLA 设计了一种热度图预训练方式，训练模型根据文本指令预测关于目标对象位置的概率热度图，并使用了 RoboPoint 中的目标检测数据集进行预训练。

在模型结构上，BridgeVLA使用了由SigLIP视觉编码器和Gemma Transformer构成的PaliGemma作为VLM主干。

预训练时，模型的输入为图像与其对应的文本描述（如图中红色的杯子在哪），然后通过PaliGemma提取特征，最后使用一个可学习的上采样模块生成与原图同分辨率的热度图。

整个过程采用交叉熵损失进行监督训练。这种预训练策略使VLM获得了空间感知能力，能够根据语言描述在图像中精准定位目标区域，为后续下游3D操作策略学习提供帮助。

在微调阶段，模型的目标是根据3D点云和语言指令输出合理的机器人动作。

具体来说，BridgeVLA首先从顶部、正面和右侧三个方向将点云渲染为三幅2D图像，并将其作为输入送入经过重新预训练的 VLM 主干网络。模型随后会为每个视角生成一张2D 热度图。

为了保持微调与预训练的一致性，VLM 的输入中不包含机器人状态或其他非视觉信息，从而避免输入分布偏移。通过结合深度图和相机参数，三个热度图可以被反投影，从而得到末端执行器的位置估计。

末端执行器的旋转姿态和夹爪开闭状态则通过额外引入的MLP进行预测。

泛化性能与采样效率的兼得

BridgeVLA在多个主流3D操作榜单上都取得了最先进的性能。在RLBench中成功率达88.2%，相较于基准模型提升了6.8%

而在环境出现颜色、材质、物体大小等12种干扰的COLOSSEUM环境中相较于之前SoTA方法提升了7.3%，在同样极具挑战的GemBench环境中，即使面对全新位置、全新物体的考验，BridgeVLA也取得了最佳的50%的成功率。

这些实验都证明了BridgeVLA具备很强的泛化能力，充分利用了预训练多模态模型中蕴含的丰富视觉与语言先验知识。

图3. BridgeVLA 在RLBench上的实验结果

图4. BridgeVLA 在COLOSSEUM上的实验结果

图5. BridgeVLA 在GemBench上的实验结果

BridgeVLA同时在真机实验中进行了大规模实验，BridgeVLA可以很好的克服干扰物、不同高度、不同光照条件、不同背景的影响，同时也具有一定的组合泛化能力、和全新物体的泛化能力，这都得益于预训练骨干网络中蕴含的先验特征。

同时BridgeVLA也证明了其极高的数据效率，仅仅使用3条轨迹就可以达到96.8%的基础任务成功率，几乎与使用10条轨迹训练的版本持平，结果表明BridgeVLA不仅泛化能力强，而且对数据要求极低，非常适合在真实机器人系统中部署与扩展。

图6. BridgeVLA 在真机实验上的实验结果

BridgeVLA通过统一预训练的输入输出到二维图像空间，建立起了一个高性能且高数据效率的3D VLA新范式。

可以预见，未来将有更多类似的探索推动 VLA 模型持续演进，迈向新的高度。

参考资料：