近年来，视觉-语言-动作（Vision-Language-Action, VLA）模型在机器人领域取得了显著进展，它使得机器人能够理解人类的语言指令并执行相应的物理操作。然而，VLA模型的发展长期受限于一个核心瓶颈：高质量机器人训练数据的稀缺。收集大规模的机器人操作数据既昂贵又耗时。为了解决这一难题，来自阿里巴巴达摩院的研究者们提出了RynnVLA-001，一个创新的VLA模型，其核心思想是让机器人通过观看海量的第一人称视角人类操作视频，来学习通用的物理世界交互知识，从而显著提升其在真实世界中的操作能力。
论文标题： RynnVLA-001: Using Human Demonstrations to Improve Robot Manipulation
论文链接： https://www.arxiv.org/pdf/2509.15212
项目链接： https://github.com/alibaba-damo-academy/RynnVLA-001
机构： 阿里巴巴达摩院，湖畔实验室
核心挑战：如何弥合人类视频与机器人动作之间的鸿沟？
互联网上存在着不计其数的第一人称（ego-centric）视频，其中包含了丰富的人类操作演示，例如烹饪、修理、手工等。这些视频本质上是关于“如何与世界互动”的宝贵数据。然而，直接将这些视频用于训练机器人面临两大挑战：
1. 视觉差异： 人类的手与机器人的机械臂在外观和运动学上完全不同。
2. 动作空间不匹配： 视频只包含像素信息，而机器人需要的是精确的低层控制指令（如关节角度、末端执行器坐标）。
RynnVLA-001通过一个精心设计的三阶段训练流程，逐步解决了这些问题。
图：该框架利用了三种类型的训练数据：(1) 第一人称视频生成预训练 (Ego-Centric Video Generative Pretraining) 使用数百万个人类第一人称操作视频进行未来帧的预测。(2) 以人为中心的轨迹感知视频建模 (Human-Centric Trajectory-Aware Video Modeling) 在带有个人关键点标注的视频上进行训练，实现了帧和轨迹的联合预测。(3) 以机器人为中心的视觉-语言-动作建模 (Robot-Centric Vision-Language-Action Modeling) 使用与语言指令配对的机器人数据集，来学习从视觉观察和语言到机器人动作的映射。
RynnVLA-001 的三阶段训练方法
研究团队提出了一种渐进式的预训练策略，分三步将从人类视频中学到的知识迁移到机器人上。
图: RynnVLA-001 的三阶段训练流程，(1) 第一人称视频生成预训练 训练一个基于Transformer的图像到视频 (I2V) 模型用于未来帧预测。(2) 以人为中心的轨迹感知视频建模 通过增加动作 (轨迹) 预测头，扩展了I2V模型，融合了视觉和状态嵌入（蓝色块）。(3) 以机器人为中心的视觉-语言-动作建模 将预训练权重迁移到机器人数据上，模型生成由ActionVAE解码为可执行动作的动作嵌入。
阶段一：第一人称视频生成预训练
此阶段的目标是让模型学习物理世界的基本动态规律。研究团队首先从网络上筛选并整理了1200万段第一人称视角的短视频。模型（一个基于Transformer的图像到视频I2V模型）的任务是：给定视频的第一帧图像和一个描述任务的文本指令（如“用螺丝刀拧螺丝”），预测接下来会发生什么，即生成后续的视频帧。
通过这个过程，模型被迫学习物体如何移动、工具如何使用以及手部操作如何改变环境。这为模型注入了关于“操作”的通用先验知识。
阶段二：以人为中心的轨迹感知建模
第一阶段模型只学会了“看”，但还不会“动”。为了建立视觉变化与具体动作之间的联系，第二阶段引入了人类手部关键点轨迹数据。模型在继续预测未来视频帧的同时，还被要求联合预测人类手腕关键点在未来的运动轨迹。
人类手腕的轨迹可以被看作是机器人末端执行器轨迹的一种“弱监督”信号。通过学习将视觉变化与轨迹运动关联起来，模型开始理解“什么样的动作会导致什么样的视觉结果”，从而初步搭建起从视觉到动作的桥梁。
为了高效地表示动作，研究者还提出了一个名为ActionVAE的变分自编码器。它能将一段连续的动作序列（无论是人类轨迹还是机器人动作）压缩成一个紧凑的、连续的潜在嵌入向量。这不仅降低了预测的复杂度，还保证了生成动作的平滑性和连贯性。
阶段三：以机器人为中心的VLA建模
最后，模型将在机器人上进行“实战”训练。此阶段将前两个阶段预训练好的模型权重迁移过来，并在真实的机器人操作数据集上进行微调。
此时，模型的输入变成了真实的机器人摄像头视图（前置和手腕视角）、机器人当前状态（如关节角度）和语言指令。模型的输出目标不再是视频帧或人类轨迹，而是机器人动作的ActionVAE嵌入向量。这个嵌入向量随后被ActionVAE的解码器还原成一段可执行的机器人动作序列。
通过这种方式，模型将在前两阶段学到的通用物理知识和操作理解，适配到具体的机器人硬件上，学会如何控制机械臂完成任务。
实验结果：显著优于现有模型
为了验证RynnVLA-001的有效性，研究者在一个真实机器人平台上进行了多项操作任务的评测，包括“拾取并放置绿色积木”、“拾取并放置草莓”和“将笔放入笔筒”，并与当前主流的开源VLA模型（如英伟达的GROOT N1.5和谷歌的Pio）进行了比较。
图：评估任务图示
1. 整体性能对比
实验结果表明，RynnVLA-001在所有任务上的成功率均显著高于基线模型。
方法
平均成功率 (%)
GR00T N1.5
55.6
Pio
70.4
RynnVLA-001 (Ours) 90.6
表1: RynnVLA-001与SOTA模型在三个操作任务上的平均成功率对比。
这一结果有力地证明，通过从大规模人类视频中进行预训练，可以为VLA模型提供一个更有效的初始化，从而在下游机器人任务上取得更优异的表现。
2. 预训练的有效性分析
为了进一步探究预训练的每个阶段所起的作用，研究者进行了一系列消融实验：
• 从零开始训练 (Scratch): 不使用任何预训练权重，模型几乎无法完成任务（成功率仅4.4%）。
• 仅使用图像预训练 (Chameleon): 直接使用强大的图生文模型权重，成功率提升至50.0%，但定位能力有限。
• +视频预训练 (Video): 在图像预训练基础上增加第一阶段的视频生成预训练，成功率大幅提升至84.4%。
• +轨迹预训练 (Full): 在此基础上再增加第二阶段的轨迹感知预训练，即完整的RynnVLA-001，成功率达到最高的 90.6% 。
这些结果清晰地揭示了RynnVLA-001成功的关键：
1. 视频预训练至关重要： 学习物理世界的动态变化规律，比单纯从静态图像学习更有效。
2. 轨迹感知是点睛之笔： 显式地将视觉与动作（轨迹）关联起来，能有效弥合纯视觉预测与机器人动作生成之间的鸿沟。
RynnVLA-001项目展示了一条极具潜力的路径，即通过利用海量、易获取的人类视频数据，来克服机器人领域高质量训练数据稀缺的瓶颈。其提出的三阶段渐进式训练框架，成功地将人类视频中蕴含的通用操作知识迁移到机器人身上，使其在真实世界的操作任务中取得了领先的性能。
尽管当前工作主要在单一类型的机械臂上进行了验证，但这项工作无疑为构建更通用、更强大的机器人智能体开辟了新的思路。未来，我们期待看到这种方法被扩展到更多样的机器人平台和更复杂的环境中，让机器人能从人类世界中学会更多的本领。
热门跟贴