先用一句话建立直觉
OpenVLA 的本质是：

把“机器人看到什么、听到什么指令、下一步怎么动”这个控制问题，
改写成“多模态语言模型在图像条件下生成一串动作 token”的问题。
普通视觉语言模型通常是：

图片 + 问题 -> 文本回答
OpenVLA 是：

图片 + 任务指令 -> 动作 token -> 连续机器人动作
类比一下：

一个传统机器人策略像“直接输出方向盘角度和油门大小”的驾驶控制器。
OpenVLA 更像是先发明一套“动作密码本”，把方向盘角度和油门大小编码成若干特殊词，然后让一个会看图的语言模型根据路况和指令生成这些特殊词。最后系统再把特殊词翻译回真实控制量。

这个思路看起来绕，但它把机器人动作预测接入了语言模型最擅长的能力：

根据上下文生成下一个 token。
OpenVLA 到底在解决什么问题
机器人模仿学习里，一条训练数据大致包含三类信息：

1. 观测

   • 相机图像
   • 可选的本体状态，例如关节角、末端位置、夹爪状态

2. 任务

   • 人类语言指令，例如“把胡萝卜放进碗里”

3. 动作

   • 机器人专家在这个状态下执行的动作
   • 常见形式是连续向量，例如：
     [x方向移动, y方向移动, z方向移动, 旋转1, 旋转2, 旋转3, 夹爪开合]
     模型要学的是一个条件策略：

policy(image, instruction) -> action
也就是：

当前画面 + 当前任务 -> 下一步机器人动作
传统做法可能直接训练一个神经网络回归动作：

图片特征 + 语言特征 -> MLP -> 连续动作向量
OpenVLA 选择了另一条路：

图片特征 + 语言 token -> LLM -> 动作 token -> 连续动作向量
这样做的关键收益是：

可以复用大型语言模型的自回归生成框架。
可以复用视觉语言模型的图文对齐能力。
可以把“动作预测”纳入通用 token 预测范式。
可以用语言指令自然地控制机器人行为。
核心思想：把机器人控制改写成 token 生成
语言模型最擅长的问题是：

给定前文，预测下一个 token。
例如：

输入: The robot should pick up the
输出: cup
OpenVLA 想让语言模型做：

输入: 图像 + “机器人应该如何执行：把杯子拿起来？”
输出: 动作 token 1, 动作 token 2, …, 动作 token N
这里的动作 token 不是普通词语，而是人为约定的“动作编码符号”。

如果动作是 7 维：

action = [a1, a2, a3, a4, a5, a6, a7]
模型就可以生成 7 个动作 token：

tokens = [t1, t2, t3, t4, t5, t6, t7]
每个 token 对应一个动作维度的离散值。

于是原问题：

回归一个连续向量
被改写成：

生成一串离散 token
这一步是 OpenVLA 的思想核心。

从机器人动作到语言模型 token
机器人动作通常是连续数值。比如机械臂末端移动动作：

dx = 0.021
dy = -0.014
dz = 0.007
语言模型不能天然生成“高精度浮点控制量”。它生成的是 token。因此需要一个动作编码器。

第一步：归一化动作
不同机器人、不同数据集的动作尺度不一样。

例如：

机器人 A:
dx 的合理范围可能是 [-0.05, 0.05]

机器人 B:
dx 的合理范围可能是 [-0.5, 0.5]
如果直接混在一起训练，模型会很混乱。

所以先把动作统一映射到一个标准区间，通常是：

[-1, 1]
一种常见的分位数归一化方式是：

normalized = 2 * (raw - q01) / (q99 - q01) - 1
其中：

q01 = 这个动作维度在数据集中的 1% 分位数
q99 = 这个动作维度在数据集中的 99% 分位数
使用分位数而不是最小值/最大值，是为了降低异常动作值的影响。

q01 和 q99 到底是什么意思
分位数可以理解成：

把一堆数从小到大排序后，位于某个百分比位置的值。
假设某个数据集里，dx 这个动作维度一共有 10000 个样本。把所有 dx 从小到大排序：

dx_sorted = [
最小值,
第二小,
第三小,
…
最大值
]
那么：

q01 = 排在 1% 位置附近的值
q99 = 排在 99% 位置附近的值
更白话地说：

q01 ≈ “正常小值边界”
q99 ≈ “正常大值边界”
它们不是最小值和最大值，而是把最极端的少量异常值排除掉之后的范围。

举个具体例子。假设某个机器人数据集里，dx 的一批值从小到大大概是：

[-10.0, -0.06, -0.05, -0.04, -0.03,
-0.02, -0.01, 0.00, 0.01, 0.02,
0.03, 0.04, 0.05, 0.06, 0.07,
0.08, 0.09, 0.10, 0.11, 8.0]
这里 -10.0 和 8.0 很可能是异常值，例如传感器错误、数据记录异常、碰撞瞬间动作等。

如果用最小值/最大值归一化：

min = -10.0
max = 8.0
那么正常动作值，比如 0.05，会被压到非常靠近中间的位置。模型会把大量正常动作都挤在很窄的归一化区间里，难以区分细微差别。

如果用分位数，系统会更关注大多数正常数据。例如可以近似认为：

q01 ≈ -0.06
q99 ≈ 0.11
这表示：

绝大多数正常 dx 动作大概落在 [-0.06, 0.11] 之间。
然后再把这个正常范围映射到 [-1, 1]。

例如：

q01 = -0.06
q99 = 0.11
raw = 0.025
代入公式：