SAVLA: Symmetry-Aware Vision-Language-Action Models for Robotic Manipulation

📄 arXiv: 2609.16641v1 📥 PDF

作者: Junle Li, Weixian Waylon Li, Fuxiang Wu, Fusheng Hao, Fengxiang He

分类: cs.RO

发布日期: 2026-09-15

备注: 8 pages, 4 figures, 6 tables

💡 一句话要点

提出SAVLA模型以解决机器人操作中的空间能力不足问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作 机器人操作 对称感知 策略学习 几何信息处理

📋 核心要点

  1. 现有的视觉-语言-动作模型在空间能力上依赖于演示，导致在未覆盖的场景姿态下表现不佳。
  2. SAVLA模型通过保持视觉-语言骨干网络不变，结合等变流匹配动作头和标准化器，提升了策略学习的稳健性和数据效率。
  3. 在LIBERO数据集上的实验显示，SAVLA模型的成功率显著提高，尤其是在旋转条件下的表现大幅提升。

📝 摘要（中文）

视觉-语言-动作（VLA）模型已成为语言条件下机器人操作的主流范式。然而，现有VLA模型仅依赖演示获取空间能力，导致其在场景姿态范围外的可靠性不足。为此，本文提出了SAVLA，一个端到端的对称感知VLA模型，旨在实现稳健且数据高效的策略学习。该模型保持预训练的视觉-语言骨干网络不变，并结合了等变流匹配动作头和学习的标准化器。通过将状态、动作和条件输入分解为不变和等变通道，SAVLA在所有层中保持这种类型。标准化器将斜视图像转换为标准框架，并一致地旋转几何条件。实验结果表明，SAVLA在LIBERO数据集上相比GR00T N1.5基线提高了5.1个百分点，并在LIBERO-Goal上将平均成功率从41.5%提升至90.4%。

🔬 方法详解

问题定义：本文旨在解决现有视觉-语言-动作模型在空间能力上的不足，尤其是在未覆盖的场景姿态下的可靠性问题。现有方法主要依赖演示，导致模型在新场景中的表现不稳定。

核心思路：SAVLA模型的核心思路是将预训练的视觉-语言骨干网络保持不变，结合等变流匹配动作头和学习的标准化器，以实现更稳健的数据高效策略学习。通过这种设计，模型能够更好地处理几何信息。

技术框架：SAVLA的整体架构包括三个主要模块：预训练的视觉-语言骨干网络、等变流匹配动作头和标准化器。视觉-语言骨干负责特征提取，动作头处理输入的状态、动作和条件，而标准化器则将图像转换为标准视角。

关键创新：SAVLA的关键创新在于其对称感知机制，通过将输入分解为不变和等变通道，保持了信息的结构性。这一设计使得模型在处理不同场景时能够保持一致性，显著提升了性能。

关键设计：在模型设计中，动作头的输入被分解为不变和等变通道，确保信息在各层中保持一致。此外，标准化器的设计使得斜视图像能够被有效转换为标准框架，增强了模型对几何条件的适应性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在LIBERO数据集上的实验结果显示，SAVLA模型相比GR00T N1.5基线提高了5.1个百分点的成功率，并在LIBERO-Goal任务中将平均成功率从41.5%提升至90.4%，展现了显著的性能优势。

🎯 应用场景

SAVLA模型在机器人操作领域具有广泛的应用潜力，尤其是在需要处理复杂几何信息的任务中。其稳健的策略学习能力能够提升机器人在动态环境中的适应性，未来可能在智能制造、服务机器人等领域发挥重要作用。

📄 摘要（原文）

Vision-language-action (VLA) models have become the dominant paradigm for language-conditioned robot manipulation. However, although images and language instructions inherently encode geometric information, VLAs acquire their spatial competence purely from demonstrations. As a result, they are reliable only within the range of scene poses that the demonstrations cover. We propose SAVLA, an end-to-end symmetry-aware VLA model for robust and data-efficient policy learning. Our approach keeps the pretrained vision-language backbone entirely frozen while combining it with an equivariant flow-matching action head and a learned canonicalizer. The head decomposes its state, action, and conditioning inputs into invariant and equivariant channels, and preserves this typing throughout all of its layers. The canonicalizer transforms oblique-view images into a canonical frame and rotates the geometric conditions consistently. We evaluate our model on LIBERO. Compared with the GR00T N1.5 baseline, SAVLA improves the success rate averaged over all four LIBERO suites by 5.1 points and increases the mean success rate under rotation on LIBERO-Goal from 41.5% to 90.4%.