仅需300美元！先进VLA模型与低成本硬件相结合

低成本视觉-语言-动作（VLA）系统，匹兹堡大学研究团队通过300美元级6DOF机械臂搭配自适应视野集成器，解决传统VLA硬件昂贵、泛化性差的痛点，在真实场景中实现超越现有方法的性能，推动机器人基础模型的普及。

原文链接：仅需300美元！先进VLA模型与低成本硬件相结合

背景与核心挑战

VLA模型优势在于直接从图像和自然语言指令映射到机器人动作，跳过手工设计的感知/规划模块，但在陌生光照、新物体、视觉干扰下易失效，泛化能力不足。
硬件层面，现有顶尖机械臂成本达数千至数万美元，即便"低成本"产品也常超1000美元，且依赖专用软件框架，普通用户和研究者难以获取。
训练与数据方面，远程操作数据收集繁琐昂贵，连续动作生成类模型（如扩散模型）训练慢、推理步骤多，自回归模型则存在推理延迟高的问题。
论文标题：EveryDayVLA: A Vision-Language-Action Model for Affordable Robotic Manipulation
论文链接：https://arxiv.org/pdf/2511.05397
项目主页：https://everydayvla.github.io/

关键创新

协作训练与自适应视野集成器（AdaHorizon）

双动作头设计：联合训练离散自回归动作头和连续L1回归动作头，离散动作擅长高层语义推理，连续动作保障精细操作精度。
损失函数设计：用交叉熵损失监督离散动作，L1损失监督连续动作，通过加权求和平衡两者优化：

L C E ( A t , A ^ t ) = − ∑ k = 1 K A t , k log ⁡ ( A ^ t , k ) \mathcal{L}{CE}(A{t}, \hat{A}{t}) = -\sum{k=1}^{K} A_{t,k} \log(\hat{A}_{t,k}) LCE(At,A^t)=−k=1∑KAt,klog(A^t,k)

L 1 ( A t , A ^ t ) = ∥ A ^ t − A t ∥ 1 \mathcal{L}{1}(A{t}, \hat{A}{t}) = \|\hat{A}{t} - A_{t}\|_{1} L1(At,A^t)=∥A^t−At∥1

L ( A t , A ^ t ) = L C E ( A t , A ^ t ) + λ L 1 ( A t , A ^ t ) \mathcal{L}(A_{t}, \hat{A}{t}) = \mathcal{L}{CE}(A_{t}, \hat{A}{t}) + \lambda \mathcal{L}{1}(A_{t}, \hat{A}_{t}) L(At,A^t)=LCE(At,A^t)+λL1(At,A^t)（λ设为1）

自适应重规划：通过计算两种动作预测的平均绝对差估计不确定性，差异超阈值时触发重规划，动态调整动作执行长度（figure2）。算法1明确最小执行动作数、重规划阈值等参数，兼顾实时性与安全性。

低成本6DOF机械臂设计

核心参数：成本约311.98美元，6个自由度，有效负载0.2kg，工作半径382mm，最大速度0.7m/s，重复定位精度≤10mm（table1、figure3）。

硬件选型：采用MG996R、DS3225等市售舵机，关节配置为roll-pitch-pitch-roll-pitch-roll，手腕3个舵机构成类球关节，实现全姿态覆盖。
控制方案：使用Arduino Uno搭配PCA9685 12位PWM驱动板，通过I2C通信实现精准控制，降低软件依赖，支持跨操作系统使用。