人形机器人的端到端视觉语言动作模型与实时性优化.docx

PAGE2

人形机器人的端到端视觉语言动作模型与实时性优化竞争分析报告

摘要

本报告聚焦人形机器人端到端视觉语言动作（VLA）模型及其在边缘计算平台上的实时性优化竞争格局。分析范围涵盖全球主流VLA模型架构及其在NVIDIAJetson、QualcommRB5等边缘设备的推理延迟对比，并深入评估从RGB图像输入到动作指令输出的全链路实时性对动态避障任务的影响。核心发现表明：模型架构的设计选择（自回归、扩散、Transformer变体）与模型轻量化策略（量化、剪枝、蒸馏）是决定推理延迟的关键因素；在边缘端，延迟低于100ms的模型才能满足安全避障的实时要求，而当前头部方案在Orin