CVPR'25workshop冠军方案！中科院&字节Seed提出BridgeVLA：视觉干扰、任务组合等泛化场景轻松拿捏

机器学习初学者 22小时前

中国科学院自动化所团队联合字节跳动Seed推出的BridgeVLA，为3D机器人操作带来了创新范式。该模型通过将视觉语言模型（VLM）与视觉语言操作（VLA）对齐，实现了模型能力与数据效率的显著提升。BridgeVLA的核心在于将预训练和微调的输入输出对齐到统一的2D空间，从而“桥接”VLM和VLA之间的差距，并在多个基准测试和真实机器人实验中取得了卓越成果，为未来的机器人操作研究提供了新的方向。

💡 **核心理念：** BridgeVLA通过对齐VLM与VLA的输入输出，在2D空间中“桥接”两者的差距，避免了传统3D VLA的复杂3D信息处理，仅需输入图片和文字指令。

🖼️ **预训练方法：** 采用新颖的预训练方法，赋予VLM预测2D Heatmap的能力。模型输入图片-目标文本对，输出对应图像的Token，重排后还原成Heatmap，通过交叉熵损失训练，使模型具备目标物体像素位置的预测能力。

🤖 **微调流程：** 在微调阶段，BridgeVLA将点云数据从三个方向正交投影成2D图像，输入模型。模型输出Heatmap，反投影后估计3D空间内的结构化网格点分数，选择得分最高的点作为机械臂的平移目标，并结合全局和局部特征预测旋转、夹持器状态等。

🏆 **实验表现：** 在RLBench、COLOSSEUM和GemBench等多个基准测试中，BridgeVLA均显著优于现有模型，尤其在需要高精度对齐和复杂泛化场景中表现突出。在真实机器人实验中，BridgeVLA在多种设置下也超越了最先进的基线方法。

2025-06-26 12:02 浙江

来源丨机器之心编辑丨极市平台

导读

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

RLBench：实验在 18 个复杂的 RLBench 任务上进行，包括非抓取操作任务、抓取放置任务和高精度插入任务等。BridgeVLA 在此基准测试中显著优于所有现有基线方法，将平均成功率从 81.4% 提高到 88.2%，并在 18 个任务中的 10 个中取得了最佳表现，尤其在需要高精度对齐的任务（如「Insert Peg」和「Sort Shape」）中表现突出。

COLOSSEUM：作为 RLBench 的扩展，COLOSSEUM 基准专注于评估模型在 12 种扰动（包括物体纹理、颜色、大小、背景、光照、干扰物和相机姿态变化等）下的泛化能力和鲁棒性。BridgeVLA 在 COLOSSEUM 基准测试中展示了强大的鲁棒性，平均成功率从 56.7% 提升到 64.0%，并在 14 种评估扰动中的 13 种中表现最佳。

GemBench：该测试基准分为四个挑战性递增的层次（L1-L4），涉及新颖的放置、刚性物体、关节物体以及需要组合多个动作才能完成的长周期任务。BridgeVLA 在这四个评估设置中取得了最高的平均成功率，尤其在 L2 和 L3 设置中取得了最先进的成果，证明了其强大的泛化能力。然而，与大多数基线方法类似，BridgeVLA 在 L4（长周期任务）设置中的表现仍然有限。

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。