BridgeVLA++：面向三维操作的数据高效、可泛化记忆增强视觉语言动作框架

利用预训练视觉语言模型（VLM）构建视觉语言动作（VLA）模型，已成为实现三维机器人操作的一种有前景的范式。然而，现有的三维 VLA 方法仍然高度依赖数据，在分布偏移下表现出有限的泛化能力，并且缺乏对过去观测的显式记忆。这些局限阻碍了其在数据稀缺、开放世界以及依赖记忆的操作场景中的应用。我们此前的工作 BridgeVLA 在三维动作学习过程中保留预训练 VLM 的输入输出对齐关系，从而提升了数据效率和泛化能力：将原始点云投影为多视角图像，并在生成机器人动作之前预测中间热力图。在本文中，我们通过为 BridgeVLA 配备统一的时空记忆架构，建模持续的空间上下文和时间交互历史，进一步开发了 BridgeVLA++。这一融合记忆的框架能够在保留 BridgeVLA 数据效率和泛化能力的同时，对观测历史进行推理。大量实验表明，我们的框架在空间操作任务上取得了优异性能，并展现出稳健的泛化能力。在不牺牲原始 BridgeVLA 数据效率和泛化能力的前提下，BridgeVLA++ 还在两个具有挑战性的依赖记忆的操作基准上取得了当前最佳性能。此外，BridgeVLA++ 在双臂操作场景中也表现出良好效果，并在另一种真实世界机器人平台上得到验证，展现出其跨任务、跨环境和跨机器人平台的可扩展性。这些结果表明，BridgeVLA++ 是一个统一的三维视觉语言动作框架，能够同时支持高数据效率的学习、稳健的泛化能力以及有效的记忆感知机器人操作。项目网站：https://bridgevla-plus.github.io/。