【论文+VLA】2505.GraspVLA——基于十亿级合成动作数据预训练的抓取基础模型(即将开源)

曾小蛙

已于 2025-05-08 15:54:16 修改

阅读量972

点赞数 20

分类专栏：机器人/具身人形/VLA/Lerobot 论文解读文章标签： VLA Objaverse3D模型物理仿真 CuRobo MuJoCo PyBullet Isaac Sim渲染

于 2025-05-08 15:12:33 首次发布

本文链接：https://blog.csdn.net/imwaters/article/details/147792556

版权

论文解读同时被 2 个专栏收录

34 篇文章

订阅专栏

机器人/具身人形/VLA/Lerobot

10 篇文章

订阅专栏

时间：2025.05.07

项目地址：https://pku-epic.github.io/GraspVLA-web/

论文： 2505.GraspVLA: a Grasping Foundation Model Pre-trained on Billion-scale Synthetic Action Data

媒体报道：真机数据白采了？银河通用具身VLA大模型已充分泛化，预训练基于仿真合成大数据！

核心问题与动机

现有的具身基础模型（如视觉-语言-动作模型，VLA）依赖真实世界数据收集，成本高且难以扩展。本文探索合成数据在训练VLA模型中的潜力，提出GraspVLA，一个完全基于合成数据预训练的抓取基础模型，旨在通过大规模合成数据解决真实数据不足的问题，并实现开放词汇的抓取泛化。

还有GraspVLA团队总结的具身基础模型七大泛化「金标准」，按照Vision、Language、Action进行不同分层，这些标准包括：光照泛化、干扰物泛化、平面位置泛化、高度泛化、背景泛化、物体类别泛化、闭环能力。

主要贡献

SynGrasp-1B数据集
- 规模与内容：包含十亿帧抓取数据，覆盖240个类别、10,000个物体，通过物理仿真（MuJoCo）和光线追踪渲染（Isaac Sim）生成。
- 多样性增强：域随机化（光照、背景、相机参数等）和高效生成策略（异步写入、并行处理），确保数据覆盖广泛几何与视觉变化。跨6个方面的概括性，包括干扰因素，空间姿势，类别，照明，背景和近环动作
- 优化轨迹生成：单步运动规划提升轨迹平滑性，减少模仿学习中的犹豫行为。
GraspVLA模型架构
- 视觉-语言-动作整合：结合视觉编码器（DINO-v2 + SigLIP）、语言模型（InternLM2 1.8B）和动作生成模块（条件流匹配）。
- 渐进式动作生成（PAG）：将感知任务（视觉定位、抓取位姿预测）作为动作生成的中间步骤，形成链式推理（Chain-of-Thought），联合训练合成数据与互联网语义数据（如GRIT），融合几何与语义知识。
- 训练策略：合成数据训练完整链式流程，互联网数据仅训练感知部分，实现跨模态知识迁移。
实验验证
- 零样本泛化：在真实和仿真环境中（如LIBERO）显著优于现有模型（如AnyGrasp、π₀、OpenVLA），尤其在透明物体和长尾类别（如充电器、毛巾）上表现优异。
- 少样本适应性：仅需少量标注数据即可适应新任务（如避免触碰杯子内部、密集环境顺序抓取）。
- 效率与鲁棒性：闭环策略减少模块化系统的误差累积，PAG机制提升动作生成的连贯性和成功率。

方法细节

数据集生成流程

物体布局生成：从Objaverse筛选物体，随机缩放、姿态放置于桌面，生成多样化场景。
抓取轨迹规划：基于抓取合成算法生成稳定抓取位姿，使用CuRobo规划无碰撞轨迹，并通过物理仿真验证成功率。
视觉渲染与随机化：Isaac Sim渲染多视角RGB图像，随机化光照、背景、相机参数，提升泛化能力。

模型设计

PAG机制：
- 步骤1（感知）：视觉语言模型生成目标物体的2D边界框。
- 步骤2（几何推理）：结合本体感觉（proprioception）预测3D抓取位姿。
- 步骤3（动作生成）：基于流匹配（Flow Matching）生成精细的末端执行器动作序列。
联合训练：合成数据监督完整流程（边界框→抓取位姿→动作），互联网数据仅监督边界框预测，实现跨模态对齐。

实验结果

零样本抓取成功率
- 真实世界：在光照变化、背景干扰、物体高度变化等条件下，GraspVLA平均成功率93.3%，远超基准模型（如π₀的76.6%）。
- 仿真环境（LIBERO）：在长序列任务（Long Suite）中零样本成功率82%，优于经过微调的OpenVLA（33.7%）和π₀（62.7%）。
透明物体抓取
- AnyGrasp因点云不完整导致成功率仅10%，GraspVLA通过多视角视觉和语义推理达到86.6%。
少样本微调
- 仅需100条标注数据，模型可适应新任务（如工业零件抓取），成功率90%，而从头训练模型仅30%。