AtlasVLA：视觉-语言-动作模型的持久世界-自我状态建模

虽然视觉-语言-动作（VLA）模型具有先进的具体人工智能，但其基本的反应范式严重限制了部分可观察和长期任务的性能。当仅限于单个腕式摄像头时，当物体退出视野时，它们不可避免地会出现感知遗忘，并且在多步骤执行期间会出现暂时的任务进度遗忘。为了克服这些瓶颈，我们提出了 AtlasVLA，这是一种新颖的框架，通过持久的世界自我状态从直接反应性操纵过渡到主动推理。 AtlasVLA 采用双内存架构：4D 持久世界状态内存，将瞬态 2D 观察提升到全局更新的体素哈希空间状态，以解决视觉盲点；以及自我工作状态内存，跟踪历史自我状态和任务进度。通过在这个联合世界-自我状态上调节扩散 Transformer (DiT)，AtlasVLA 能够实现强大的空间推理。对 LIBERO、RLBench 和现实世界基准的广泛评估表明，AtlasVLA 仅使用腕式摄像头即可实现最先进的性能。值得注意的是，它的性能明显优于多视图基线，在 LIBERO-Long 上的绝对成功率提高了 9.4%，在现实世界的长视野任务中提高了 17.5%。