AtlasVLA：用于视觉-语言-动作模型的持久世界-自我状态建模

AtlasVLA是一种新框架，通过持久世界-自我状态建模，使VLA模型从被动反应转向主动推理。它采用双记忆架构：4D持久世界状态记忆和自我工作状态记忆，解决了单腕相机下的感知遗忘和任务进度遗忘问题。在LIBERO、RLBench和真实世界基准测试中，仅使用腕相机便达到最先进性能，分别高出多视图基线9.4%和17.5%。

此前VLA模型多为被动反应式，在部分可观测和长时程任务中表现受限。AtlasVLA引入持久世界-自我状态建模，使模型能主动推理，且仅用单腕相机超越多视图基线，提升长时程任务成功率，这是具身AI领域的重要进步。

AtlasVLA通过双记忆架构解决两类遗忘：4D持久世界状态记忆将瞬时的2D观测更新为全局的体素哈希空间状态，弥补视野盲区；自我工作状态记忆跟踪历史自我状态和任务进度。基于联合的世界-自我状态，条件扩散Transformer（DiT）进行鲁棒空间推理。

若实际部署，AtlasVLA可降低机器人硬件成本（仅需单腕相机，无需多视图），提升复杂长时程任务的成功率，改善用户体验。研发团队可借鉴其双记忆架构，在部分可观测环境中设计更鲁棒的具身AI系统。

• 将AtlasVLA应用于仓库拣选或家庭服务机器人，仅用腕相机执行长时程任务，降低成本并提高可靠性。
• 为现有VLA模型增加持久世界-自我状态模块，增强在动态环境中的目标跟踪和任务进度管理能力。
• 开发基于AtlasVLA的仿真到现实迁移工具，在LIBERO等基准上验证后快速部署到真实机器人。
• 探索将AtlasVLA与现有机器人操作系统集成，提供中间件接口，简化开发流程。

• 证据未说明AtlasVLA在复杂遮挡或多相机场景下的表现是否依然优于多视图基线。
• 证据未提供AtlasVLA的计算开销和实时性数据，可能影响实际部署决策。
• 证据未提及AtlasVLA在非腕相机配置（如固定相机）下的适用性。
• 证据未给出模型规模、训练数据量和训练成本等细节，难以评估资源需求。