¿Qué es un modelo VLA (visión-lenguaje-acción)?
Un modelo VLA es un modelo fundacional para robots que recibe imágenes de cámara y una instrucción en lenguaje natural y genera directamente acciones del robot.
Actualizado:
Definición
Un modelo visión-lenguaje-acción (VLA) traduce lo que el robot ve y lo que se le pide en lo que debe hacer. La mayoría parte de un modelo visión-lenguaje preentrenado y añade una cabeza de acción entrenada con datos de robots.
Cómo funciona
- Codifica imágenes (a menudo también el estado del robot) y la instrucción.
- Predice acciones futuras, como poses del efector final y órdenes de la pinza.
- Ejecuta algunas, vuelve a observar y replanifica.
Por qué importa
Los VLA son el enfoque principal detrás de las políticas robóticas «generalistas» que funcionan en distintas tareas y robots. Consulta IA corporizada.
Preguntas frecuentes
¿En qué se diferencia de un modelo visión-lenguaje (VLM)?
Un VLM responde con texto. Un VLA añade una salida de acciones, normalmente una breve secuencia de órdenes a motores, para controlar un robot.
¿Qué es un bloque de acciones (action chunk)?
Una secuencia de longitud fija de acciones futuras predicha de una vez. Investigaciones como Vela exploran trayectorias continuas en su lugar.
¿Qué limitaciones tienen?
Muchos se basan sobre todo en el fotograma actual, carecen de tacto y memoria y les cuestan las tareas largas con contacto. Modelos como Neuron AI de NEURA añaden más sentidos y memoria.
Cobertura
Neuron AI de NEURA añade tacto, sonido y memoria al modelo fundacional para robots
NEURA Robotics presentó Neuron AI, un modelo de «percepción-lenguaje-acción» que fusiona visión 3D, tacto, fuerza, audio, estado del robot y lenguaje con memoria, y mostrará una tarea de lavandería de 11 minutos con su humanoide 4NE1.
Physical Intelligence abre sus modelos de robots π0 a todos mediante una API
La beta de la Pi API permite subir datos, ajustar π0/π0.5 en la infraestructura de Pi y ejecutar el resultado con inferencia alojada.
El humanoide mejorado G1+ de Unitree sale en preventa en Japón
GMO AIR abrió el 13 de octubre la preventa del G1+ en Japón: cuello, motores más fuertes, LiDAR 3D e interacción por voz. Su fundador, Wang Xingxing, ve el punto de inflexión de la IA encarnada en 1-2 años.
1X lleva su humanoide doméstico NEO a hogares reales en una beta
Una prueba de tres meses con hogares seleccionados comprobará si el NEO de 20.000 $ hace tareas de forma segura y fiable antes de las entregas.
Ultra capta 62 M$ en robots-as-a-service de almacén — con Physical Intelligence como cerebro
La brooklynense Ultra cerró una Serie A de 50 M$ (Framework) más semilla previa, 62 M$ en total; alquila empaquetadores OP1 mientras Physical Intelligence aporta la IA.
Vela: un VLA que predice trayectorias suaves en lugar de bloques de acciones
El modelo Vela, de un equipo de Fudan y CUHK, genera curvas spline con un horizonte temporal adaptativo y supera a π0.5 en LIBERO-X, EBench y en tareas reales de cocinar pastel de huevo y rallar patatas.
El S1 de Skild aprende fútbol jugando contra sí mismo 140 años simulados
Tras lanzar S1 —modelo base que copia un solo vídeo sin fine-tuning— Skild mostró Physical Self-Play: la misma política se entrenó contra sí en Isaac Sim y se transfirió a un humanoide.
Helix 2.5 de Figure limpia 30 casas que nunca había visto
Figure dice que su humanoide ordenó salas, dobló toallas e hizo camas en 30 casas desconocidas sin datos locales, respaldado por un acuerdo de cómputo de 3.500 M$ con Nscale.
Newsletter
Robrief Weekly
Un correo por semana con las noticias de robótica que importan. Gratis, cancela cuando quieras.