Green-VLA: Stufenmodell für Vision-Language-Action in generalistischen Robotern
Green-VLA: Staged Vision-Language-Action Model for Generalist Robots
January 31, 2026
papers.authors: I. Apanasevich, M. Artemyev, R. Babakyan, P. Fedotova, D. Grankin, E. Kupryashin, A. Misailidi, D. Nerus, A. Nutalapati, G. Sidorov, I. Efremov, M. Gerasyov, D. Pikurov, Y. Senchenko, S. Davidenko, D. Kulikov, M. Sultankin, K. Askarbek, O. Shamanin, D. Statovoy, E. Zalyaev, I. Zorin, A. Letkin, E. Rusakov, A. Silchenko, V. Vorobyov, S. Sobolnikov, A. Postnikov
cs.AI
papers.abstract
Wir stellen Green-VLA vor, ein gestuftes Vision-Language-Action (VLA)-Framework für den realen Einsatz auf dem humanoiden Roboter Green, das gleichzeitig die Generalisierbarkeit über verschiedene Embodiments hinweg beibehält. Green-VLA folgt einem fünfstufigen Curriculum: (L0) grundlegende VLMs, (L1) multimodales Grounding, (R0) Multi-Embodiment-Pre-Training, (R1) embodimentspezifische Anpassung und (R2) Reinforcement-Learning (RL)-Policy-Alignment. Wir kombinieren eine skalierbare Datenverarbeitungspipeline (3.000 Stunden Demonstrationen) mit temporaler Ausrichtung und Qualitätsfilterung und verwenden eine einheitliche, embodiment-sensitive Aktionsschnittstelle, die es einer einzelnen Policy ermöglicht, humanoide Roboter, mobile Manipulatoren und stationäre Roboterarme zu steuern. Zur Inferenzzeit wird der VLA-Controller durch Episodenfortschrittsvorhersage, Out-of-Distribution-Erkennung und joint-prediction-basierte Führung erweitert, um die Sicherheit und präzise Zielauswahl zu verbessern. Experimente auf Simpler BRIDGE WidowX und CALVIN ABC-D sowie Evaluierungen mit realen Robotern zeigen eine starke Generalisierung und Leistungssteigerungen durch das RL-Alignment bei Erfolgsquote, Robustheit und Effizienz bei langen Zeithorizonten.
English
We introduce Green-VLA, a staged Vision-Language-Action (VLA) framework for real-world deployment on the Green humanoid robot while maintaining generalization across diverse embodiments. Green-VLA follows a five stage curriculum: (L0) foundational VLMs, (L1) multimodal grounding, (R0) multi-embodiment pretraining, (R1) embodiment-specific adaptation, and (R2) reinforcement-learning (RL) policy alignment. We couple a scalable data-processing pipeline (3,000 hours of demonstrations) with temporal alignment and quality filtering, and use a unified, embodiment-aware action interface enabling a single policy to control humanoids, mobile manipulators, and fixed-base arms. At inference, the VLA controller is enhanced with episode-progress prediction, out-of-distribution detection, and joint-prediction-based guidance to improve safety and precise target selection. Experiments on Simpler BRIDGE WidowX and CALVIN ABC-D, as well as real-robot evaluations, show strong generalization and performance gains from RL alignment in success rate, robustness, and long-horizon efficiency.