MA-VLA: Multi-Arm Vision-Language-Action Model for Collaboration and Compositional Generalization
MA-VLA 是一个用于多臂协作的统一框架，通过原子动作分配将协作行为分解为中层原子提示并分配给各个机械臂，支持子目标指定和跨任务组合复用。引入 Arm Shuffle 训练时置换，实现角色无关的指令跟随和未见协调模式的重组，称为多臂组合泛化。构建了测试时协作模式在训练集中不存在的基准，并在仿真和真实世界评估中验证。
Development
- First ReportMA-VLA: Multi-Arm Vision-Language-Action Model for Collaboration and Compositional GeneralizationHugging Face Daily Papers
- Industry ResponseMA-VLA: Multi-Arm Vision-Language-Action Model for Collaboration and Compositional GeneralizationarXiv cs.RO
- Current Assessment多臂协作是具身操作的核心能力，MA-VLA 的提出表明 VLA 模型正从单臂向多臂、从固定角色向角色无关的组合泛化演进。这反映了机器人学习领域对更灵活、可组合的协作策略的需求，可能推动多机器人系统在工业、物流等场景的应用。Agent Pulse · analysis
MA-VLA 论文提出一个统一的多臂视觉-语言-动作（VLA）框架，解决现有 VLA 模型将语言表示为单一全局指令、缺乏显式机制分配和组合各臂特定行为的问题。该框架通过原子动作分配将协作行为分解为中层原子提示并分配给各个机械臂，实现显式子目标指定和跨任务组合复用。引入 Arm Shuffle 训练时置换，对每个臂的观察、状态和分配的原子提示进行排列，强制角色无关的指令遵循，支持重组为未见协调模式，即多臂组合泛化。论文构建了一个测试时协作模式在训练集中不存在的基准，并在仿真和真实世界评估中验证了方法的有效性。
MA-VLA 的核心创新在于原子动作分配和 Arm Shuffle。原子动作分配将协作行为分解为中层原子提示，使模型能够显式指定子目标并组合复用，这比全局指令更细粒度。Arm Shuffle 通过训练时置换观察、状态和提示，迫使模型学习角色无关的表示，从而在测试时泛化到未见过的协作模式。这种组合泛化能力是机器人操作领域的关键挑战，MA-VLA 提供了一种可行的训练策略。
多臂协作是具身操作的核心能力，MA-VLA 的提出表明 VLA 模型正从单臂向多臂、从固定角色向角色无关的组合泛化演进。这反映了机器人学习领域对更灵活、可组合的协作策略的需求，可能推动多机器人系统在工业、物流等场景的应用。
MA-VLA 若验证有效，可降低多臂机器人系统的编程和部署成本，提升协作任务的灵活性和适应性，对工业自动化、仓储物流等领域的机器人解决方案具有商业价值。
后续可关注 MA-VLA 在更多真实世界任务上的泛化表现，以及其原子提示设计是否可迁移到其他 VLA 架构。Arm Shuffle 策略可能被其他多智能体系统借鉴。