让机器人真正看懂三维：原力灵机发布 GeoVLA 框架，改写传统 VLA 思路！

随着 AI 与机器人不断进步，视觉 – 语言 – 行动（VLA）模型被视为通用机器人落地的核心。可惜的是，现有不少 VLA 方案（如 OpenVLA、RT-2 等）在复杂、无结构场景中暴露出明显弱点：空间感知盲点。由于只看 2D RGB 图像，这些模型在三维理解上受限，很难准确把握物体的深度与具体位置。

为破解上述痛点，原力灵机团队提出全新 VLA 框架——GeoVLA。在沿用现有视觉 – 语言模型（VLM）强大的预训练能力基础上，GeoVLA 采用创新的双通路设计。它引入专用的点云嵌入网络（PEN）与具备空间意识的动作专家（3DAE），让机器人真正具备三维几何理解。该设计不仅在仿真中取得领先成绩，在多种真实场景的鲁棒性测试里也表现稳定出色。

GeoVLA 的关键思路是把任务拆分：由 VLM 负责“识别是什么”，由点云网络负责“定位在哪里”。在这个端到端框架中，语义理解流、几何感知流与动作生成流三者协同配合，使模型能更精准地执行各类操作。

大量实验结果显示，GeoVLA 优势显著。在 LIBERO 基准中，GeoVLA 成功率达到 97.7%，超过此前的 SOTA 方法。面对 ManiSkill2 等更复杂的物理仿真任务，GeoVLA 同样表现亮眼，尤其在复杂物体与视角变化条件下，仍能保持较高成功率。

更值得关注的是，GeoVLA 在分布外场景中展现出强鲁棒性，说明它能有效应对多种不确定与变化条件。这样的突破为后续机器人应用打开新空间，推动智能机器人迈向更高水平。

项目地址:https://linsun449.github.io/GeoVLA/