Uma Pesquisa sobre Modelos Eficientes de Visão-Linguagem-Ação

Resumo

Os modelos Visão-Linguagem-Ação (VLAs) representam uma fronteira significativa na inteligência incorporada, visando unir o conhecimento digital com a interação no mundo físico. Embora esses modelos tenham demonstrado capacidades generalistas notáveis, sua implantação é severamente dificultada pelos substanciais requisitos computacionais e de dados inerentes aos seus modelos de base de grande escala subjacentes. Motivados pela necessidade urgente de enfrentar esses desafios, este levantamento apresenta a primeira revisão abrangente dos modelos Eficientes de Visão-Linguagem-Ação (Efficient VLAs) em todo o processo dados-modelo-treinamento. Especificamente, introduzimos uma taxonomia unificada para organizar sistematicamente os esforços díspares neste domínio, categorizando as técnicas atuais em três pilares centrais: (1) Design Eficiente de Modelos, com foco em arquiteturas eficientes e compressão de modelos; (2) Treinamento Eficiente, que reduz os encargos computacionais durante a aprendizagem do modelo; e (3) Coleta Eficiente de Dados, que aborda os gargalos na aquisição e utilização de dados robóticos. Através de uma revisão crítica dos métodos state-of-the-art dentro desta estrutura, este levantamento não apenas estabelece uma referência fundamental para a comunidade, mas também resume aplicações representativas, delineia desafios-chave e traça um roteiro para pesquisas futuras. Mantemos uma página do projeto continuamente atualizada para acompanhar nossos últimos desenvolvimentos: 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/

Uma Pesquisa sobre Modelos Eficientes de Visão-Linguagem-Ação

A Survey on Efficient Vision-Language-Action Models

Resumo

Support