Modelli Visione-Linguaggio-Azione: Concetti, Progressi, Applicazioni e Sfide

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

May 7, 2025

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

cs.AI

Abstract

I modelli Vision-Language-Action (VLA) rappresentano un progresso trasformativo nell'intelligenza artificiale, mirando a unificare percezione, comprensione del linguaggio naturale e azione incarnata all'interno di un unico framework computazionale. Questa revisione fondazionale presenta una sintesi completa dei recenti progressi nei modelli VLA, organizzati sistematicamente attraverso cinque pilastri tematici che strutturano il panorama di questo campo in rapida evoluzione. Iniziamo stabilendo le basi concettuali dei sistemi VLA, tracciando la loro evoluzione dalle architetture di apprendimento cross-modale agli agenti generalisti che integrano strettamente modelli vision-language (VLM), pianificatori di azioni e controllori gerarchici. La nostra metodologia adotta un rigoroso framework di revisione della letteratura, coprendo oltre 80 modelli VLA pubblicati negli ultimi tre anni. Le aree chiave di progresso includono innovazioni architetturali, strategie di formazione efficienti in termini di parametri e accelerazioni dell'inferenza in tempo reale. Esploriamo diversi domini applicativi come la robotica umanoide, i veicoli autonomi, la robotica medica e industriale, l'agricoltura di precisione e la navigazione in realtà aumentata. La revisione affronta inoltre le principali sfide legate al controllo in tempo reale, alla rappresentazione multimodale delle azioni, alla scalabilità del sistema, alla generalizzazione a compiti non visti e ai rischi etici del dispiegamento. Attingendo dallo stato dell'arte, proponiamo soluzioni mirate tra cui l'adattamento dell'AI agentica, la generalizzazione cross-embodiment e la pianificazione neuro-simbolica unificata. Nella nostra discussione prospettica, delineiamo una roadmap futura in cui i modelli VLA, i VLM e l'AI agentica convergono per alimentare agenti incarnati adattivi, general-purpose e allineati socialmente. Questo lavoro serve come riferimento fondazionale per avanzare verso una robotica intelligente nel mondo reale e verso l'intelligenza artificiale generale. >Vision-language-action, Agentic AI, AI Agents, Vision-language Models

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