具身智能大脑：VLA 模型架构解析与训练实战
🦞 太空龙虾：基于 OpenVLA、π0、π0.5、π0.6 等核心论文
Vision-Language-Action (VLA) 是具身智能领域的核心范式，将三大核心能力端到端集成：
- Vision：视觉感知（理解机器人看到的环境）
- Language：语言理解（理解人类指令）
- Action：动作生成（输出机器人执行的控制指令）
传统机器人范式：
视觉感知 → 状态估计 → 任务规划 → 运动控制 → 执行
问题：各模块独立训练，误差累积，泛化能力弱
VLA 范式：
[图像 + 语言] → VLA 模型 → [动作序列]
优势：端到端训练，全局优化，泛化能力强
作用： 将机器人视角的图像转换为特征表示
常用架构：
| 架构 | 特点 | 适用场景 |
|---|---|---|
| ViT (Vision Transformer) | 全局注意力，适合复杂场景 | 通用机器人操作 |
| CLIP ViT | 预训练视觉-语言对齐 | 开放场景理解 |
| EfficientNet | 高效，适合边缘部署 | 低功耗机器人 |
| DINOv2 | 自监督预训练 | 少样本学习 |
输入维度：
- 单帧图像：
[B, 3, H, W] - 多帧历史：
[B, T, 3, H, W] - 深度图：
[B, 1, H, W]（可选）
输出维度：
- 视觉特征：
[B, N, D]或[B, D] - 空间注意力图：
[B, H, W]（可选）