OpenVLA & OpenVLA-OFT 技术讲解

1. 理解

OpenVLA 是一个开源的机器人 Vision-Language-Action 模型：输入图像和自然语言指令，直接输出机器人动作。

OpenVLA-OFT 是在 OpenVLA 基础上的 优化微调方案：重点解决原版 OpenVLA 推理慢、动作离散化精度有限、多相机/本体状态接入不够灵活的问题。

2. OpenVLA 解决痛点

传统机器人策略通常是：

text 复制代码

相机图像 / 状态
    ↓
感知模型
    ↓
任务规划
    ↓
动作策略
    ↓
机器人控制

问题是每个任务、每种机器人、每个场景都要单独训练或调参。

OpenVLA 的目标是把它压成一个统一模型：

text 复制代码

图像 + 语言指令
    ↓
VLA 大模型
    ↓
机器人动作

例如：

text 复制代码

输入：
  图像：桌面场景
  指令："put the corn into the pot"

输出：
  机器人末端执行器动作：
  Δx, Δy, Δz, Δroll, Δpitch, Δyaw, gripper

OpenVLA 官方介绍它是 7B 参数开源 VLA ，基于 Open X-Embodiment 数据集中的 970k 机器人轨迹训练，可以控制多种机器人，并支持通过参数高效微调适配新机器人。( $OpenVLA$ $1$ )

3. OpenVLA 架构

OpenVLA 可以理解成：

text 复制代码

RGB 图像
   ↓
视觉编码器：SigLIP + DINOv2
   ↓
视觉特征 projector
   ↓
Llama-2 7B 语言模型
   ↓
动作 token
   ↓
反归一化为机器人动作

官方说明中，OpenVLA 由三个核心部分组成：融合视觉编码器，包含 SigLIP 和 DINOv2；把视觉特征映射到语言模型输入空间的 projector；以及用于预测 tokenized actions 的 Llama-2 7B backbone。( $OpenVLA$ $1$ )

3.1 输入

典型输入包括：

text 复制代码

image: 当前相机图像
prompt: "In: What action should the robot take to {instruction}?\n Out:"

官方示例里，模型通过 HuggingFace AutoProcessor 和 AutoModelForVision2Seq 加载，输入图像和 prompt 后调用 predict_action() 输出动作。( $GitHub$ $2$ )

3.2 输出

原版 OpenVLA 输出的是 离散动作 token。

大致流程是：

text 复制代码

连续动作
   ↓
归一化
   ↓
每个动作维度离散成 256 个 bin
   ↓
作为语言 token 预测
   ↓
解码回连续动作

OpenVLA-OFT 论文明确指出，原版 OpenVLA 会把每个动作维度归一化后均匀离散到 256 bins，这种方式方便复用 VLM 的 token 预测机制，但会损失细粒度动作信息。( $arXiv$ $3$ )

4. OpenVLA 的训练方式

OpenVLA 本质上是把机器人动作学习改造成类似语言模型的预测问题：

text 复制代码

图像 patch embedding + 语言 token
    ↓
Transformer decoder
    ↓
动作 token 序列

训练目标类似：

text 复制代码

给定图像和指令，预测专家示范动作 token

可以理解为大规模行为克隆：

text 复制代码

robot demonstration dataset
    ↓
(image, instruction, action)
    ↓
supervised fine-tuning / behavior cloning

OpenVLA 官方代码支持 RLDS 数据格式、Open X-Embodiment 数据混合、FSDP、Flash-Attention，以及 full / partial / LoRA 等微调方式。( $GitHub$ $2$ )

5. OpenVLA 的主要问题

原版 OpenVLA 很有意义，但工程落地有几个明显问题。

5.1 自回归动作生成慢

原版 OpenVLA 像语言模型一样一个 token 一个 token 地生成动作。

例如 7-DoF 动作：

text 复制代码

a1 → a2 → a3 → a4 → a5 → a6 → a7

这意味着一次动作预测需要多次 decoder 计算。

对机器人高频控制来说，这很不友好。

5.2 离散动作精度有限

连续动作被压成 256-bin token：

text 复制代码

真实动作：0.03742
离散 bin：第 k 档
还原动作：0.036xx 或 0.038xx

对桌面抓取、双臂操作、精细插入等任务，动作量化误差会影响成功率。

5.3 单图像输入不够

很多真实机器人需要：

text 复制代码

第三视角相机
腕部相机
机器人关节状态
夹爪状态
历史状态

原版 OpenVLA 主要是单图像输入形式，扩展到多相机和 proprioception 不够自然。OFT 论文也指出，原始 OpenVLA 处理单相机视角，而一些机器人需要多视角和额外机器人状态。( $arXiv$ $3$ )

6. OpenVLA-OFT 意义

OpenVLA-OFT = OpenVLA + Optimized Fine-Tuning recipe

它不是简单 LoRA，也不是单纯量化，而是围绕 VLA 微调设计的一套优化方案。

核心目标：

text 复制代码

更快推理
更高成功率
更适合连续机器人控制
更容易接入多相机 / proprioception

论文中总结 OFT 包含三个关键组件：

text 复制代码

1. parallel decoding + action chunking
2. continuous action representation
3. L1 regression objective

这些组件共同提升了推理效率、任务表现和输入输出灵活性。( $arXiv$ $3$ )

7. OpenVLA-OFT 核心创新

7.1 Parallel Decoding：并行动作解码

原版 OpenVLA：

text 复制代码

token1 → token2 → token3 → token4 → token5 → token6 → token7

OpenVLA-OFT：

text 复制代码

[action slot 1, action slot 2, ..., action slot N]
        ↓
一次 forward 同时预测

OFT 论文说明，parallel decoding 会让模型接收空 action embeddings，并把 causal attention mask 换成 bidirectional attention，从而一次 forward 同时预测所有动作。( $arXiv$ $3$ )

工程意义很直接：

text 复制代码

原版：
  一个动作维度一个动作维度生成

OFT：
  一次 forward 出完整动作，甚至一整段动作 chunk

7.2 Action Chunking：动作块预测

原版：

text 复制代码

t 时刻输入图像 → 输出 t 时刻动作
t+1 时刻输入图像 → 输出 t+1 时刻动作

OpenVLA-OFT：

text 复制代码

t 时刻输入图像
    ↓
一次输出未来 K 步动作
    ↓
[a_t, a_t+1, a_t+2, ..., a_t+K-1]

这叫 action chunking。

例如 chunk size = 8：

text 复制代码

一次模型推理 → 输出未来 8 步动作

OFT 论文指出，parallel decoding 可以自然扩展到 action chunking：插入更多空 action embeddings 后，模型可以一次 forward 预测多个未来时间步动作。( $arXiv$ $3$ )

这对机器人很重要：

text 复制代码

模型不用每个控制周期都跑一次
控制器可以缓存未来动作序列
推理延迟对控制频率影响变小

7.3 Continuous Action：连续动作输出

原版 OpenVLA：

text 复制代码

连续动作 → 256-bin 离散 token → 预测 token → 还原连续动作

OpenVLA-OFT：

text 复制代码

Transformer hidden state
    ↓
MLP action head
    ↓
连续动作值

论文中说，OFT 用 MLP action head 替代 decoder 的输出 embedding 层，直接把最后一层 hidden states 映射成连续动作，并用 L1 loss 训练。( $arXiv$ $3$ )

这对精细控制更友好：

text 复制代码

离散 token:
  适合复用 LLM 生成机制

连续动作:
  更适合机器人控制

7.4 L1 Regression：简单但有效的动作回归目标

OFT 没有默认采用复杂 diffusion policy，而是使用：

text 复制代码

loss = |pred_action - gt_action|

也就是 L1 回归。

论文对比了 L1 regression 和 diffusion objective，指出 L1 回归在保持并行解码效率的同时能提升动作精度；diffusion 更复杂，需要多步去噪，推理延迟更高。( $arXiv$ $3$ )

在 LIBERO 测试中，OFT 的 continuous action + L1 regression 版本达到 109.7 Hz action generation throughput ，而原始 OpenVLA 是 4.2 Hz；这是 A100 上针对 7D 动作的测量结果。( $arXiv$ $3$ )

7.5 多图像 + Proprioception 输入

OpenVLA-OFT 支持更复杂的输入：

text 复制代码

第三视角图像
腕部相机图像
机器人 proprioception
语言指令

OFT 论文描述了它的统一输入方式：每个相机视角经过 OpenVLA dual vision encoder 提取 patch embeddings，再映射到语言 embedding 空间；机器人状态也通过 projector 映射，然后与视觉特征和语言 token 一起拼接输入 decoder。( $arXiv$ $3$ )

这对真实机器人非常关键。

例如双臂 ALOHA：

text 复制代码

cam_3rd_person
cam_left_wrist
cam_right_wrist
joint_state
gripper_state
language_instruction
    ↓
OpenVLA-OFT+
    ↓
left_arm_action_chunk + right_arm_action_chunk

7.6 OFT+：加入 FiLM 增强语言 grounding

OpenVLA-OFT+ 是在 OFT 基础上加入 FiLM。

FiLM 的作用是让语言指令更强地调制视觉特征。

例如桌上有多个物体：

text 复制代码

"put the green pepper into the pot"
"put the yellow corn into the pot"

如果模型视觉能力强但语言 grounding 不够，就可能抓错目标。

OFT 论文中说明，FiLM 会把任务描述的语言 embedding 投影成 scale / shift 向量，对视觉特征做仿射调制，从而增强模型对语言输入的注意。( $arXiv$ $3$ )

官方项目页也说明，OFT+ 在双臂 ALOHA 上用于高频语言驱动控制，并与 π₀、RDT-1B、ACT、Diffusion Policy 等方法进行了对比。( $Fine-Tuning Models$ $4$ )

8. OpenVLA vs OpenVLA-OFT 对比

维度	OpenVLA	OpenVLA-OFT
定位	开源 VLA 基座模型	OpenVLA 的优化微调方案
模型规模	7B	基于 OpenVLA 7B
动作表示	离散 action tokens	连续动作
动作生成	自回归生成	并行解码
控制方式	单步动作预测为主	动作 chunk 预测
损失函数	next-token / cross entropy	L1 regression
多相机输入	原生较弱	支持多图像输入
proprioception	需要额外适配	支持 proprio projector
推理速度	较慢	显著更快
适合场景	研究、零样本/少样本机器人控制	高频控制、双臂操作、真实机器人微调

OpenVLA-OFT 论文报告：在 LIBERO 四个任务套件上，OpenVLA 平均成功率从 76.5% 提升到 97.1% ，动作生成吞吐提升 26x。( $arXiv$ $3$ )

9. 工程部署视角

9.1 推荐系统架构

对真实机器人，不建议把 OpenVLA 直接塞进低层控制循环。

更合理的是：

text 复制代码

ROS2 / Robot Runtime
    │
    ├── camera node
    ├── proprioception node
    ├── language command node
    │
    ▼
VLA policy server
    │
    ├── OpenVLA / OpenVLA-OFT
    ├── GPU inference
    └── action chunk output
    │
    ▼
action smoother / safety filter
    │
    ▼
robot controller

也就是：

text 复制代码

Jetson / Orin:
  负责相机采集、ROS2、传感器同步、安全控制

GPU server:
  跑 OpenVLA / OpenVLA-OFT 推理或微调

官方 OpenVLA 仓库也提供了 REST API serving 脚本，便于把模型接入已有机器人控制栈，从而避免强制要求机器人本体具备高算力。( $GitHub$ $2$ )

9.2 显存要求

OpenVLA-OFT 官方仓库给出的系统要求是：

text 复制代码

Inference:
  LIBERO 仿真任务约 16GB VRAM
  ALOHA 机器人任务约 18GB VRAM

Training:
  1~8 张 GPU
  27GB~80GB VRAM，取决于训练设置

( $GitHub$ $5$ )

OpenVLA 原版 LoRA 微调示例使用单张 A100 80GB；官方也说明可以在更小 GPU 上微调，但至少大约需要 27GB 显存并调整 batch size。( $GitHub$ $2$ )

所以对你的 Jetson Orin NX 16GB 场景，建议是：

text 复制代码

不推荐：
  Orin NX 单机直接跑完整 OpenVLA-OFT 高频控制

推荐：
  Orin NX 跑 ROS2 / 感知 / 安全控制
  远端 4090 / 5090 / A100 / L40S 跑 VLA policy server

10. 和 ACT / Diffusion Policy / π₀ / RDT 的关系

可以这样理解：

text 复制代码

ACT:
  小模型、模仿学习、动作 chunk，适合特定任务

Diffusion Policy:
  连续动作分布建模强，但多步采样慢

OpenVLA:
  VLM + 机器人动作，语义泛化强，但原版推理慢

OpenVLA-OFT:
  保留 OpenVLA 的语义能力，同时吸收 ACT 的 action chunk 思路，
  用连续动作 + L1 回归提升速度和控制精度

π₀:
  更偏新一代通用机器人策略，使用 flow matching

RDT:
  机器人 diffusion transformer 路线，偏大规模机器人策略建模

OpenVLA-OFT 项目页称，在 ALOHA 真实机器人实验中，fine-tuned VLAs 整体优于从零训练的 ACT 和 Diffusion Policy，其中 OpenVLA-OFT+ 平均表现最高。( $Fine-Tuning Models$ $4$ )

11. 针对做具身机器人 / Jetson Orin 最小 VLA 的启示

如果要做一个最小可运行 VLA 系统，不建议一开始就全量复现 OpenVLA-OFT。

更合理路线是：

阶段 1：先做 ACT / Diffusion Policy 基线

text 复制代码

输入：
  RGB 图像 + proprioception

输出：
  action chunk

目标：
  跑通数据采集、动作同步、ROS2 控制闭环

阶段 2：接入 OpenVLA 做离线 policy server

text 复制代码

相机图像 + 指令
    ↓
OpenVLA / OpenVLA-OFT server
    ↓
动作 chunk
    ↓
ROS2 action bridge

阶段 3：做任务级微调

数据格式建议设计成：

json 复制代码

{
  "image_primary": "cam_front/000001.jpg",
  "image_wrist": "cam_wrist/000001.jpg",
  "instruction": "pick up the red block and place it into the box",
  "proprio": [0.1, 0.2, 0.3, "..."],
  "action": [dx, dy, dz, droll, dpitch, dyaw, gripper]
}

阶段 4：引入 OFT 思路

重点实现：

text 复制代码

1. action chunk
2. continuous action head
3. L1 loss
4. multi-view image input
5. proprio projector
6. safety filter

12. 总结

OpenVLA 的价值是：

text 复制代码

把 VLM 的语义理解能力迁移到机器人动作控制

OpenVLA-OFT 的价值是：

text 复制代码

把 OpenVLA 从"能生成动作"优化成"更适合真实机器人高频控制"

最核心差异：

text 复制代码

OpenVLA = 图像 + 语言 → 自回归动作 token
OpenVLA-OFT = 图像/多图像 + 语言 + proprioception → 并行连续动作 chunk

对工程落地来说，OpenVLA-OFT 比原版 OpenVLA 更值得参考，尤其是它的：

text 复制代码

parallel decoding
action chunking
continuous action head
L1 regression
multi-camera input
proprioception projector
FiLM language grounding

参考链接：

$1$ : https://openvla.github.io/ "OpenVLA: An Open-Source Vision-Language-Action Model"

$2$ : https://github.com/openvla/openvla "GitHub - openvla/openvla: OpenVLA: An open-source vision-language-action model for robotic manipulation. · GitHub"

$3$ : https://arxiv.org/html/2502.19645v1 "Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success"

$4$ : https://openvla-oft.github.io/ "Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success"

$5$ : https://github.com/moojink/openvla-oft "GitHub - moojink/openvla-oft: Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success · GitHub"