Modelos Visión-Lenguaje-Acción: Conceptos, Avances, Aplicaciones y Desafíos

Vision-Language-Action Models: Concepts, Progress, Applications and Challenges

May 7, 2025

Autores: Ranjan Sapkota, Yang Cao, Konstantinos I. Roumeliotis, Manoj Karkee

cs.AI

Resumen

Los modelos Visión-Lenguaje-Acción (VLA) representan un avance transformador en la inteligencia artificial, con el objetivo de unificar la percepción, la comprensión del lenguaje natural y la acción corporizada dentro de un único marco computacional. Esta revisión fundamental presenta una síntesis exhaustiva de los avances recientes en los modelos Visión-Lenguaje-Acción, organizados sistemáticamente en cinco pilares temáticos que estructuran el panorama de este campo en rápida evolución. Comenzamos estableciendo los fundamentos conceptuales de los sistemas VLA, rastreando su evolución desde arquitecturas de aprendizaje multimodal hasta agentes generalistas que integran estrechamente modelos de visión-lenguaje (VLM), planificadores de acciones y controladores jerárquicos. Nuestra metodología adopta un marco riguroso de revisión de literatura, abarcando más de 80 modelos VLA publicados en los últimos tres años. Las áreas clave de progreso incluyen innovaciones arquitectónicas, estrategias de entrenamiento eficientes en parámetros y aceleraciones de inferencia en tiempo real. Exploramos diversos dominios de aplicación, como la robótica humanoide, los vehículos autónomos, la robótica médica e industrial, la agricultura de precisión y la navegación en realidad aumentada. La revisión aborda además los principales desafíos en el control en tiempo real, la representación multimodal de acciones, la escalabilidad del sistema, la generalización a tareas no vistas y los riesgos éticos en su implementación. Basándonos en el estado del arte, proponemos soluciones específicas que incluyen la adaptación de IA agentica, la generalización entre diferentes corporizaciones y la planificación neuro-simbólica unificada. En nuestra discusión prospectiva, delineamos una hoja de ruta futura en la que los modelos VLA, los VLM y la IA agentica convergen para impulsar agentes corporizados socialmente alineados, adaptativos y de propósito general. Este trabajo sirve como referencia fundamental para avanzar en la robótica inteligente del mundo real y la inteligencia artificial general. >Visión-lenguaje-acción, IA agentica, Agentes de IA, Modelos de visión-lenguaje

English

Vision-Language-Action (VLA) models mark a transformative advancement in artificial intelligence, aiming to unify perception, natural language understanding, and embodied action within a single computational framework. This foundational review presents a comprehensive synthesis of recent advancements in Vision-Language-Action models, systematically organized across five thematic pillars that structure the landscape of this rapidly evolving field. We begin by establishing the conceptual foundations of VLA systems, tracing their evolution from cross-modal learning architectures to generalist agents that tightly integrate vision-language models (VLMs), action planners, and hierarchical controllers. Our methodology adopts a rigorous literature review framework, covering over 80 VLA models published in the past three years. Key progress areas include architectural innovations, parameter-efficient training strategies, and real-time inference accelerations. We explore diverse application domains such as humanoid robotics, autonomous vehicles, medical and industrial robotics, precision agriculture, and augmented reality navigation. The review further addresses major challenges across real-time control, multimodal action representation, system scalability, generalization to unseen tasks, and ethical deployment risks. Drawing from the state-of-the-art, we propose targeted solutions including agentic AI adaptation, cross-embodiment generalization, and unified neuro-symbolic planning. In our forward-looking discussion, we outline a future roadmap where VLA models, VLMs, and agentic AI converge to power socially aligned, adaptive, and general-purpose embodied agents. This work serves as a foundational reference for advancing intelligent, real-world robotics and artificial general intelligence. >Vision-language-action, Agentic AI, AI Agents, Vision-language Models