【具身智能】RT-2：视觉-语言-动作模型（VLA）

---

前言

Robotic Transformer 2（RT-2）是由谷歌 DeepMind 新推出的大语言模型，它为人类提供了通过纯语言命令来优化机器人控制的能力。与此前的大模型不同，RT-2是一种新型的视觉-语言-动作（VLA）模型，它可以从网络和机器人数据中学习，并将这些知识转化为机器人控制的通用指令，帮助机器人在现实环境中完成各种复杂任务，同时提高机器人的适应性和判断推理能力。

高容量的视觉-语言模型（VLM）是在网络规模的数据集上训练的，使得这些系统在识别视觉或语言模式并跨越不同语言方面表现出色。但是，为了使机器人达到类似的能力水平，它们需要首先收集机器人数据，涵盖每个对象、环境、任务和情况。

在RT-2的论文（