VLA 图库 / 模型列表 / Flow·Diffusion VLA

GraspVLA

Galbot, Peking University, HKU, BAAI · 2025-05

VLAFlow·Diffusion VLALLM 1.8Bflow matching

无需真实机器人数据，联合训练合成SynGrasp-1B(10M条轨迹)与网络grounding(GRIT)，实现零样本抓取。

论文

GraspVLA: a Grasping Foundation Model Pre-trained on Billion-scale Synthetic Action DataarXiv 2505.03233

概述

分类

Flow·Diffusion VLA

类型

VLA

发布

2025-05

机构

Galbot, Peking University, HKU, BAAI

权重公开

是

参数

LLM 1.8B;总量·动作专家规模未公开

架构

主干LLM

InternLM2 1.8B

视觉编码器

DINOv2 + SigLIP (冻结)

动作头

bbox → 抓取位姿 → flow动作块 (flow matching)

动作块

4步

控制频率

10 Hz (数据)

架构原文摘要

InternLM2 1.8B(训练) + frozen DINOv2·SigLIP;Progressive Action Generation: 2D bbox → 抓取位姿 → flow matching动作块(4步);动作以10 Hz存储

训练

预训练加速器

模型训练未公开（数据生成用 RTX 4090×160）

预训练时长

模型训练未公开（数据生成 10天）

预训练步数·批量

批量 384，lr 1.6e-4，120k步后成功率稳定；README示例 200K步·每节点GPU 8（非论文值）

GPU·TPU-小时

未公开

微调

算力未公开；后训练任务1~2各100条演示，任务3每瓶10条；适应新机械臂·相机使用合成轨迹5k(RTX 4090 1块一天)

数据类型

仿真·合成 + 网络视觉-语言

数据规模

SynGrasp-1B 10M条轨迹(每条约100帧，约1B帧)，物体网格10,680个·240个类别；GRIT(混合比例未公开)

主要数据集

SynGrasp-1B, GRIT

任务·评估

实机零样本抓取：合成类别93.3%，网络类别93.3%；LIBERO Long 82.0·Goal 91.2·Object 94.1

机器人

Franka Panda(单臂)，适配UR5e

推理

推理设备·速度

L40s + Torch Compile约200 ms(视觉9·bbox 72·抓取位姿50·flow 64 ms),约9 GB;5 Hz(AnyGrasp 37 Hz)

推理显存

约9 GB (L40s)

权重 bf16（计算）

未公开

运行位置

未公开

强化学习与底盘

强化学习

未使用 · 合成数据模仿学习

底盘控制

固定 · 无底盘控制（Franka·UR5e机械臂抓取）

备注

核心特点

无需真实机器人数据，联合训练合成SynGrasp-1B(10M条轨迹)与网络grounding(GRIT)，实现零样本抓取。数据生成用RTX 4090 160块耗时10天，花费约$5,000。

备注

勿将数据生成算力与模型训练算力混淆。零样本抓取 93.3%为Table 1提取值，建议对照原文。权重 cc-by-nc-4.0（2025-07-25公开）。

核验

已确认