知识卡片：VersaCamVLA：面向机器人操作的可配置相机 VLA 策略

一句话结论

VersaCamVLA 通过可配置相机框架，将相机集合表示与动作学习解耦，从而提升 VLA 模型对相机数量和位姿变化的鲁棒性。

事件概述或研究问题

Vision-Language-Action（VLA）模型已成为机器人操作的强大基础，但其在训练时依赖固定相机配置，导致在部署时对相机数量或位姿的变化表现脆弱。VersaCamVLA 旨在解决这一问题，提出一种可配置相机的框架。

方法/产品要点

• VersaCamVLA 学习一个统一的场景 token 接口，将任意、可变数量的带位姿 RGB 视图映射为固定尺寸的潜在场景 token。
• 该框架通过多信号目标视图预测和 Wrist-Augmented Pose Sampling（WAPS）实现，WAPS 利用自然的手腕相机运动获取免费的位姿多样性。
• 部署时，一个轻量级空间编码器将这些紧凑的场景 token 注入预训练的基础 VLA，作为补充视觉条件，无需显式 3D 传感或新视图渲染。

主要结果或产业意义

• 在 RoboTwin、LIBERO 和真实机器人平台上的实验表明，VersaCamVLA 持续优于先前的 VLA 方法和直接多视图基线。
• 在不同相机数量和未见过的相机位姿下，VersaCamVLA 保持了稳健的性能。

为什么重要

• 该工作解决了 VLA 模型在实际部署中因相机配置变化而性能下降的关键问题，提升了模型的泛化能力和实用性。
• 通过解耦相机集合表示与动作学习，为机器人操作中灵活使用不同相机配置提供了新思路。

局限与不确定性

• 论文未提及在极端相机配置变化（如相机数量剧烈变化或位姿分布外）下的具体表现，待核实。
• 真实机器人实验的具体细节（如任务类型、成功率数值）未在摘要中提供，待核实。
• WAPS 方法对手腕相机运动质量的依赖程度未明确，待核实。

可用于图书/PPT/简报的角度

• 作为 VLA 模型泛化能力提升的案例，说明如何通过表示解耦应对环境变化。
• 在机器人操作中，相机配置灵活性对实际部署的重要性。
• 多视图融合与场景 token 化在机器人学习中的应用。

原始材料

• 标题：VersaCamVLA: Camera-Configurable VLA Policies for Robotic Manipulation
• arXiv ID：2610.12451v1
• 作者：Boyao Han, Chen Shi, Jingjing Qian, ZhuoTan Tian, Li Jiang
• 发布时间：2026-10-08T17:58:47Z
• 主要类别：cs.CV
• 相关类别：cs.CV, cs.RO
• 摘要链接：https://arxiv.org/abs/2610.12451v1
• PDF 链接：https://arxiv.org/pdf/2610.12451v1
• 关键词：Vision-Language-Action, camera-configurable, robotic manipulation, scene tokens, Wrist-Augmented Pose Sampling