Uno Studio sui Modelli Efficienti Visione-Linguaggio-Azione

Abstract

I modelli Vision-Language-Action (VLA) rappresentano una frontiera significativa nell'intelligenza embodied, con l'obiettivo di colmare il divario tra la conoscenza digitale e l'interazione con il mondo fisico. Sebbene questi modelli abbiano dimostrato notevoli capacità generaliste, il loro dispiegamento è fortemente ostacolato dalle sostanziali esigenze computazionali e di dati intrinseche ai modelli fondazionali su larga scala che ne sono alla base. Motivati dall'urgente necessità di affrontare queste sfide, questa survey presenta la prima rassegna completa dei modelli Efficient Vision-Language-Action (Efficient VLA) lungo l'intero processo dati-modello-addestramento. Nello specifico, introduciamo una tassonomia unificata per organizzare sistematicamente i diversi sforzi in questo dominio, categorizzando le tecniche attuali in tre pilastri fondamentali: (1) Progetto Efficiente del Modello, incentrato su architetture efficienti e compressione del modello; (2) Addestramento Efficiente, che riduce i carichi computazionali durante l'apprendimento del modello; e (3) Raccolta Efficiente dei Dati, che affronta i colli di bottiglia nell'acquisizione e utilizzo dei dati robotici. Attraverso una revisione critica dei metodi allo stato dell'arte all'interno di questo quadro, questa survey non solo stabilisce un riferimento fondamentale per la comunità, ma riassume anche applicazioni rappresentative, delinea le sfide chiave e traccia una roadmap per la ricerca futura. Manteniamo una pagina progetto costantemente aggiornata per monitorare i nostri ultimi sviluppi: https://evla-survey.github.io/

English

Vision-Language-Action models (VLAs) represent a significant frontier in embodied intelligence, aiming to bridge digital knowledge with physical-world interaction. While these models have demonstrated remarkable generalist capabilities, their deployment is severely hampered by the substantial computational and data requirements inherent to their underlying large-scale foundation models. Motivated by the urgent need to address these challenges, this survey presents the first comprehensive review of Efficient Vision-Language-Action models (Efficient VLAs) across the entire data-model-training process. Specifically, we introduce a unified taxonomy to systematically organize the disparate efforts in this domain, categorizing current techniques into three core pillars: (1) Efficient Model Design, focusing on efficient architectures and model compression; (2) Efficient Training, which reduces computational burdens during model learning; and (3) Efficient Data Collection, which addresses the bottlenecks in acquiring and utilizing robotic data. Through a critical review of state-of-the-art methods within this framework, this survey not only establishes a foundational reference for the community but also summarizes representative applications, delineates key challenges, and charts a roadmap for future research. We maintain a continuously updated project page to track our latest developments: https://evla-survey.github.io/

Uno Studio sui Modelli Efficienti Visione-Linguaggio-Azione

A Survey on Efficient Vision-Language-Action Models

Abstract

Support