企业官网建设流程全解析

X-VLA（ICLR 2026 收录的跨本体视觉-语言-动作模型）用一条20 维 EE6D 向量统一了所有机器人的动作接口：无论单臂、双臂、仿真还是真机，模型输入输出的维度恒定不变。本文带你拆解这 20 个数字的排布规则、6D 旋转表示的数学原理，以及从模型输出到机械臂执行的完整转换链路，帮助你快速上手 X-VLA 的部署与二次开发。

为什么 X-VLA 需要一个"统一动作接口"

跨本体（Cross-Embodiment）训练意味着同一个 Transformer 要同时处理 Franka、Agilex、AgiBot、WidowX 等形态各异的机器人。如果每个本体各用一套动作格式，模型就无法共享能力。

X-VLA 的解决方案是：把所有动作都投影到"末端执行器（End-Effector, EE）6D 位姿"空间，并用固定 20 维向量承载。这套约定集中在 models/action_hub.py 的EE6DActionSpace中定义，并在 models/configuration_xvla.py 里由action_mode、max_action_dim等参数控制：

💡 核心思想：手臂数量、夹爪类型、关节自由度的差异全部被"吸收"进这 20 维，下游控制器负责把 20 维还原成自家机器人能懂的指令。

解剖 20D 向量：左右各 10 维的对称排布

20 维向量实际上是两个 10 维子向量的拼接——左臂一条、右臂一条。每条手臂的 10 维内部结构完全一致：

这些索引在源码中被显式声明，方便训练时按段计算损失：

• POS_IDX_1 = (0,1,2)、POS_IDX_2 = (10,11,12)
• ROT_IDX_1 = (3..8)、ROT_IDX_2 = (13..18)
• gripper_idx = (9, 19)

定义见 models/action_hub.py。

单臂机器人怎么办？零填充

对于 DROID、RoboMind-Franka 这类单臂数据集，右臂 10 维直接全零填充，模型接口维度保持 20 不变。例如 datasets/domain_handler/droid.py 中的处理：

right = np.zeros_like(left) # 单臂 → 右臂填零，凑成 20 维

同理，datasets/domain_handler/robomind.py 对 Franka 单臂也采用right = np.zeros_like(left)的策略。这就是 README 中所说的"Single-arm Case: pad with zeros to maintain 20D"。

上图：Piper 双机械臂在 RViz 中的末端位姿可视化（来自 evaluation/SoftFold-Agilex/ 部署工程），正是 EE6D 空间中 xyz + 旋转在物理世界中的投影。

6D 旋转表示：X-VLA 不学四元数、不学欧拉角的隐藏逻辑

向量中 3-8、13-18 这 6 个数字是旋转矩阵的前两列（6 个数拼成），即经典的 "6D Rotation Representation"。相比常见的表示方式，它有几个关键优势：

• 连续性：欧拉角有万向节死锁，四元数存在 q 与 -q 等价跳变，而 6D 表示随姿态平滑变化，回归网络学起来更稳；
• 可恢复性：拿到 6 个数字后，用Gram-Schmidt 正交化就能还原出合法旋转矩阵，进而转成任何下游格式。

训练侧：原始数据怎么变成 6D

不同数据集的原始旋转格式五花八门，X-VLA 在数据加载层（datasets/utils.py）统一转换：

以 AgiWorld 为例，datasets/domain_handler/agiworld.py 中左、右臂各拼出xyz + 6D + gripper再合并为 20 维abs_ee6d；datasets/domain_handler/lerobot_agibot.py 则从 parquet 中读取actions.end.position / orientation / effector.position做同样处理。

推理侧：6D 怎么还原成机械臂指令

部署时反向操作，核心函数是 datasets/utils.py 的rotate6d_to_xyz()：

1. 把 6 个数拆成两个 3 维向量，交替取列：a1 = v6[0,2,4]、a2 = v6[1,3,5]；
2. 归一化a1，再把a2去掉在a1上的投影后归一化（Gram-Schmidt）；
3. 叉乘得到第三轴，拼出旋转矩阵，最后转成欧拉角。

SoftFold 双臂真机部署脚本 evaluation/SoftFold-Agilex/deploy/utils/rotation.py 里的abs_6d_2_abs_euler()就是这套流程的完整实现，把 20 维动作转成机械臂控制器能直接执行的 14 维关节级位姿指令。

⚠️注意方向：喂给模型的 proprio（本体感知）要用"逆变换"——从机器人位姿转成 6D；模型输出则用"正变换"——从 6D 转回 xyz/欧拉角。两端的旋转编码必须严格对齐，否则会出现末端姿态漂移。

四种 action_mode：一套代码适配所有机器人

X-VLA 通过注册表模式管理动作空间（register_action装饰器 +build_action_space工厂函数），内置 4 种模式：

1️⃣ee6d（默认）——标准末端 6D 空间

• 维度 20，夹爪通道(9, 19)按二分类 logit处理（BCEWithLogitsLoss），推理时过 sigmoid；
• 损失权重藏了重要信息：XYZ_SCALE=500、ROT_SCALE=10、GRIPPER_SCALE=1，位置精度被放大 500 倍，因为毫米级的落点误差直接决定任务成败，而姿态误差容错空间更大。

2️⃣joint——关节空间

维度 14（双 6 关节臂 + 双夹爪），夹爪通道(6, 13)，适合只想微调关节级策略的场景。

3️⃣agibot_ee6d——AgiBot 特化变体

同样是 20 维布局，但所有分量都用 MSE 损失（夹爪权重 10），且不做夹爪通道置零和 sigmoid 后处理。AgiBot 的夹爪开合是连续量而非二值开关，因此单独设了一个变体。

4️⃣auto——自适应兜底模式

模型仍输出max_action_dim=20，但：

• 损失只在前real_dim维上计算；
• 输入自动 zero-pad 到 20 维，输出再 trim 回real_dim。

这让同一套预训练权重可以无缝适配任意低维动作空间，是接入新本体时最省事的选择。相关逻辑见 models/modeling_xvla.py。

从模型输出到真机执行：三条必知转换链路

拿到 30 步 × 20 维的预测动作后，部署端通常还要做三步后处理（参考 evaluation/SoftFold-Agilex/deploy/client_eef6d_xvla.py 和各 benchmark 的 reference client）：

相对位移 → 绝对位姿（可选）

部分模型（如 x2robot 域）输出的是xyz 相对增量：训练时由 datasets/utils.py 的action_slice()按idx_for_delta减去初始 proprio 得到。部署时客户端把预测增量加回当前末端位置（rel_to_abs），再交给控制器。若你的 checkpoint 已输出绝对位姿（如 LIBERO 系列，见 evaluation/libero/preprocess.md），则跳过此步。

夹爪二值化

夹爪通道过 sigmoid 后落在 0~1 之间，常见做法是0.5 阈值二值化，再映射到物理开合值：

action[9] = -0.0054 if action[9] > 0.5 else 0.0656 # 左臂夹爪 action[19] = -0.0054 if action[19] > 0.5 else 0.0656 # 右臂夹爪

6D → 欧拉角/四元数

按机器人控制器接受的格式调用rotate6d_to_xyz()（欧拉角）或rotate6d_to_quat()（四元数）完成最后一跳。

部署速查：Server–Client 架构下的动作流

X-VLA 采用 Server–Client 分离架构：模型跑在 GPU 服务上（python deploy.py --model_path <模型> --port 8000），客户端 POST/act接口，payload 中包含proprio（20 维 EE6D 当前位姿）、image0/1/2、language_instruction、domain_id（本体标识，映射表见 datasets/domain_config.py）和steps（流匹配去噪步数，默认 10）。

推理本质是流匹配去噪：从随机噪声出发，经steps次迭代逐步去噪出 30 步动作块，最后统一调用action_space.postprocess()（如夹爪 sigmoid）。每个域的具体客户端模板都在 evaluation/ 下按 benchmark 组织，强烈建议直接 fork 对应 client 改造。

关键文件速查清单

掌握这套"20 维 = 双臂 × (xyz + 6D + gripper)"的映射规则后，你就能看懂 X-VLA 任何 checkpoint 的输入输出，也能在接入新机器人时只改数据加载与后处理两端，而无需触碰模型本身。