RLDX-1 技术报告

视觉-语言-动作模型（VLA）在近年来取得了显著进展，它们通过预训练的视觉-语言模型继承了丰富的场景理解和语言条件泛化能力，朝着通用机器人策略迈出了重要步伐。然而，这些模型在处理复杂现实世界任务时仍面临挑战，特别是那些需要更广泛功能能力的任务，例如运动感知、记忆感知决策和物理传感。为了克服这些限制，来自多个机构的研究人员提出了RLDX-1——一种基于多流动作变换器（MSAT）的新型通用灵巧操作机器人策略。MSAT架构的核心创新在于其多流设计：它通过模态特定流分别处理视觉、语言、触觉等不同模态的信息，并通过跨模态联合自注意力机制实现模态间的有效融合。这种设计使得RLDX-1能够统一整合运动感知、记忆决策和物理传感等能力，从而在复杂操作任务中表现出色。除了架构创新，RLDX-1还融合了多项系统级优化：它利用合成数据生成技术为罕见操作场景创建训练样本，开发了专门针对类人操作的学习程序，并对推理过程进行了优化以实现实时部署。这些综合设计使得RLDX-1在多种评估场景中表现出色。在模拟基准测试中，RLDX-1一致性地超越了当前最前沿的VLA模型，如π0.5和GR00T N1.6。特别是在ALLEX人形任务中，RLDX-1取得了86.8%的成功率，而对比模型的成功率仅为约40%。这一结果突显了RLDX-1在控制高自由度人形机器人方面的卓越能力。此外，该技术报告由67位作者共同完成，论文于2026年5月5日提交至arXiv。RLDX-1的成功不仅展示了MSAT架构的潜力，也为未来开发更可靠的VLA模型奠定了基础，尤其是在需要接触丰富和动态环境的灵巧操作领域。研究人员计划在项目页面公开更多代码和演示，以促进该领域的进一步发展。