一项于2026年10月13日更新的arXiv论文提出NeuroVLA，尝试解决视觉—语言—动作（VLA）模型在真实机器人控制中反馈频率不足、缺少持续运动状态和接触后反应较慢的问题。论文修订记录与摘要显示，该工作由香港科技大学（广州）、深圳市人工智能与机器人研究院等机构研究者参与，论文最初于2026年1月提交，此次为修订版本。
NeuroVLA采用分层架构：视觉语言模块负责理解任务并生成较高层的意图信息；一个带循环结构的“小脑”模块融合关节状态和力反馈，持续修正运动；一个带状态的脉冲神经网络“脊髓”控制器负责输出连续动作。这样做的核心思路，是把语义规划与高频局部控制分开，避免每次细微调整都重新调用大模型，同时让机器人能够利用短期运动记忆应对节奏变化和意外接触。
论文在所测试条件下报告，加入小脑模块后，指令动作的平均加加速度（jerk）降低75.6%；在碰撞恢复测试中，NeuroVLA的恢复率为54.8%，对比的若干VLA基线为0%。其脉冲控制器还在基于FPGA的神经形态处理器上测得2.19毫秒推理延迟和0.87毫焦耳单次推理能耗，作者据此估算推理功率约为0.4瓦。
这项工作的价值不在于简单扩大模型规模，而在于强调具身智能需要高频本体感觉、力反馈、持续状态和局部纠错机制。需要注意的是，论文仍属于预印本，部分结果来自仿真、实验室双臂平台或特定硬件实现；文中给出的能耗数据只覆盖脉冲“脊髓”控制器，不包括视觉语言模块、传感、通信和执行机构。因此，它更适合被视为一种控制架构探索，距离复杂开放环境中的长期稳定部署仍有验证距离。
参考来源：
- NeuroVLA: A Brain-inspired Embodied Intelligence for Fluid and Fast Reflexive Robotics Control 2026-10-13
由 AI 整理，仅供参考；请以原始来源为准。
