只需要三条轨迹，就能取得 96.8% 的成功率？视觉干扰、任务组合等泛化场景都能轻松拿捏？或许，3D VLA 操作新范式已经到来。
当前，接收 2D 图像进行 Next Action Token 预测的「2D VLA」模型已经展现出了实现通用机器人操作的潜力；同时，接受 3D 信息作为输入，并以下一时刻的关键帧作为输出的「3D 操作策略」已被证明拥有极高的数据效率（≈10 条操作轨迹）。
那么，直觉上来讲，一个好的「3D VLA」模型应该能够综合以上的优点，兼具 efficient 和 effective 的特点。然而，当前 3D VLA 的模型设计并未实现上述期待。
为了解决上述问题，中科院自动化所谭铁牛团队联合字节跳动 Seed 推出 BridgeVLA，展示了一种全新的 3D VLA 范式，实现了模型能力与数据效率的同步飞跃，并斩获了 CVPR 2025 GRAIL workshop 的 COLOSSEUM Challenge 冠军。目前代码与数据已经全面开源。
-
论文标题：BridgeVLA: Input-Output Alignment for Efficient 3D Manipulation Learning with Vision-Language Models -
论文链接：https://arxiv.org/abs/2506.07961 -
项目主页：https://bridgevla.github.io/
出发点：对齐 VLM 与 VLA
BridgeVLA 的核心理念是将预训练和微调的输入输出对齐到统一的 2D 空间，从而「bridge」VLM 和 VLA 之间的 gap。从这个理念出发，作者认为不应该使用传统 3D VLA 的 3D 位置编码或 3D 信息注入，而是将 VLA 输入与 VLM 对齐，即仅输入图片和文字指令。
同时，作者将模型的输出方式从 Next token prediction 变更为 Heatmap prediction，通过这种方式，将输出从无空间结构的 token 变成有空间结构的 2D Heatmap，既能充分利用 3D 空间结构先验，又能将模型的输入输出进一步在 2D 空间中对齐。
预训练：赋予 VLM 预测 2D Heatmap 的能力
在使用机器人数据进行微调之前，需要先通过预训练以赋予 VLM 目标检测的能力。为此，作者提出了一种新颖的可扩展预训练方法：给模型输入图片-目标文本对，并提取模型的输出中对应图像的 token，再将这部分图像 token 进行重新排列作为图像的隐藏状态，最后，通过可学习的凸上采样方法将其还原成与输入图片相同大小的 Heatmap。通过交叉熵损失监督训练模型，使其具有 Heatmap 预测的能力。通过这个 Heapmap 即可获取被操作的目标物体的像素位置。
微调：赋予模型预测 Action 的能力
与 RVT、RVT-2 等典型的 3D 操作策略类似，BridgeVLA 通过预测关键点来得到下一时刻的动作。具体来说，BridgeVLA 采用场景的点云和指令文本作为原始输入。但为了将微调过程的输入与预训练的输入进行对齐，作者将点云从正面、上面、右侧这三个方向进行正交投影，产生 3 张 2D 图像输入给模型。模型采用与预训练相同的方式输出 Heatmap 后，通过将 3 个 Heatmap 进行反投影，进而估计 3D 空间内所有结构化网格点的分数，并选用得分最高的点作为机械臂末端执行器的平移目标。对于旋转、夹持器状态以及碰撞检测，BridgeVLA 将提取到的全局特征和局部特征进行拼接，然后输入给 MLP 进行预测。
此外，BridgeVLA 沿用了由粗到细（Coarse-to-fine）的多级预测方式，通过对首次 Heatmap 预测的目标位置附近的点云进行放大和裁剪，并在裁剪后的点云上进行第二次前向传播，从而获得更加精细的位置预测。
仿真实验：屠榜三项主流 3D 操作任务基准
真实机器人实验：远超现有 Baseline
在真实世界评测中，作者设计了 13 个基本任务，并设计了 6 种不同的泛化性能测试（包括干扰物体、光照、背景、高度、组合和类别）以全面评估模型性能。如图所示，BridgeVLA 在七种设置中的六种中均优于最先进的基线方法 RVT-2。
在四种视觉干扰设置中，BridgeVLA 表现出十分显著的鲁棒性，尤其在干扰物和背景变换的设置中，其仍然能够保持超高成功率。此外，作者还发现 2D 热图预训练对于模型理解语言语义和泛化到新的对象-技能组合至关重要。同时，即使在经过机器人动作数据微调后，模型仍能很好地对预训练数据进行预测，证明预训练知识被成功地保留了下来。
总结和展望
©
（文：机器之心）