Green-VLA: Многостадийная модель «Зрение-Язык-Действие» для роботов-универсалов

Green-VLA: Staged Vision-Language-Action Model for Generalist Robots

January 31, 2026

Авторы: 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

Аннотация

Мы представляем Green-VLA — поэтапную структуру «Видение-Язык-Действие» (VLA) для развертывания на реальном гуманоидном роботе Green с сохранением обобщающей способности для различных воплощений. Green-VLA следует пятиступенчатой учебной программе: (L0) базовые VLM, (L1) мультимодальное заземление, (R0) предварительное обучение на множестве воплощений, (R1) адаптация под конкретное воплощение и (R2) согласование политики с помощью обучения с подкреплением (RL). Мы сочетаем масштабируемый конвейер обработки данных (3000 часов демонстраций) с временным выравниванием и фильтрацией качества, а также используем унифицированный интерфейс действий с учетом воплощения, позволяющий единой политике управлять гуманоидами, мобильными манипуляторами и стационарными манипуляторами. На этапе вывода контроллер VLA дополнен прогнозированием прогресса эпизода, обнаружением выбросов и управлением на основе совместного прогнозирования для повышения безопасности и точного выбора целей. Эксперименты на симуляторах Simpler BRIDGE WidowX и CALVIN ABC-D, а также оценки на реальном роботе демонстрируют высокую обобщающую способность и улучшение производительности благодаря RL-согласованию по показателям успешности, надежности и эффективности в долгосрочных задачах.

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.