Green-VLA: Modelo de Visão-Linguagem-Ação em Etapas para Robôs Generalistas
Green-VLA: Staged Vision-Language-Action Model for Generalist Robots
January 31, 2026
Autores: 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
Resumo
Apresentamos o Green-VLA, uma estrutura Vision-Language-Action (VLA) em estágios para implantação no mundo real no robô humanoide Green, mantendo a generalização entre diversas embodimentos. O Green-VLA segue um currículo de cinco estágios: (L0) modelos de linguagem visual fundamentais, (L1) fundamentação multimodal, (R0) pré-treinamento multi-embodiment, (R1) adaptação específica à embodiment e (R2) alinhamento de política por aprendizagem por reforço (RL). Acoplamos um pipeline escalável de processamento de dados (3.000 horas de demonstrações) com alinhamento temporal e filtragem de qualidade, e usamos uma interface de ação unificada e consciente da embodiment, permitindo que uma única política controle humanoides, manipuladores móveis e braços de base fixa. Na inferência, o controlador VLA é aprimorado com previsão do progresso do episódio, detecção de dados fora da distribuição e orientação baseada em previsão conjunta para melhorar a segurança e a seleção precisa de alvos. Experimentos no Simpler BRIDGE WidowX e CALVIN ABC-D, bem como avaliações em robôs reais, mostram forte generalização e ganhos de desempenho provenientes do alinhamento por RL em taxa de sucesso, robustez e eficiência em horizontes longos.
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.