WholebodyVLA README

The project's README from github.com/OpenDriveLab/WholebodyVLA. As one markdown file: README.md.

WholeBodyVLA Logo

Towards Unified Latent VLA for Whole-body Loco-manipulation Control

Paper Home

✒️ Haoran Jiang*, Jin Chen*, Qingwen Bu, Li Chen, Modi Shi, Yanjie Zhang, Delong Li, Chuanzhe Suo, Chuang Wang, Zhihui Peng†, Hongyang Li†

📧 Primary Contact: Haoran Jiang ([email protected]).

🔥 Highlights

📋 Overview

WholeBodyVLA is a unified Vision-Language-Action framework for large-space humanoid loco-manipulation. It learns unified latent actions from action-free egocentric videos through a Latent Action Model (LAM), and employs a loco-manipulation-oriented (LMO) RL policy for precise and stable whole-body coordination. The system encodes egocentric images and language instructions into latent action tokens, which are decoded into dual-arm joint actions and locomotion commands, enabling end-to-end control for complex loco-manipulation tasks.

WholeBodyVLA Method

See more on project website.

📝 Note: We currently have no concrete timeline for open-sourcing the codebase. This repository now serves as a collection of resources and references for the whole-body humanoid VLA research community. We welcome discussion and collaboration!


Let's go for VLA on humanoids!

Awesome Vision–Language–Action for Humanoid Robots

A curated list of research on Vision–Language–Action (VLA) models and related for humanoid robots, with a focus on loco-manipulation task.

Continuously updating...

Perception & Planning for Humanoids

Vision-Based Perception for Planning

Manipulation

Other Tasks

MoCap-Based Planning

Generative Motion and Trajectory Planning

Whole-Body Controller for Loco-Manipulation

Behavior Foundation Models / Universal Whole-Body Tracking

Upper-Body Centric

Hardware Design

Data Collection Systems

Capability Extension

Generalist Vision–Language–Action Models

Manipulation

Learning from Human Videos

Navigation

References

We refer to and recommend several curated paper lists and repositories:

Contributors

This project is contributed by: Jin Chen, Yucheng Huang, Haoran Jiang, Yixuan Pan, Shijia Peng, Jialong Zeng, Hai Zhang.

All names are listed in alphabetical order by last name.

Citation

If you find this repository helpful, please consider citing:

@article{jiang2025wholebodyvla,
  title={WholeBodyVLA: Towards Unified Latent VLA for Whole-Body Loco-Manipulation Control}, 
  author={Jiang, Haoran and Chen, Jin and Bu, Qingwen and Chen, Li and Shi, Modi and Zhang, Yanjie and Li, Delong and Suo, Chuanzhe and Wang, Chuang and Peng, Zhihui and Li, Hongyang},
  journal={arXiv preprint arXiv:2512.11047},
  year={2025}
}
@article{chen2025intelligent,
  title={Intelligent Robot Manipulation Requires Self-Directed Learning},
  author={Chen, Li and Sima, Chonghao and Chitta, Kashyap and Loquercio, Antonio and Luo, Ping and Ma, Yi and Li, Hongyang}, 
  year={2025}
}

WholebodyVLA (OpenDriveLab/WholebodyVLA)

Searching Database…

Что это?WholeBodyVLA — исследовательский проект ICLR 2026, представляющий единую Vision-Language-Action-концепцию для замкнутого управления всем телом гуманоида (локомоция и манипуляция); этот репозиторий заодно служит курируемым, постоянно пополняемым списком VLA-статей о гуманоидных роботах.
Это работающий код или просто статья со списком для чтения?Это в основном обзор статьи плюс список для чтения 'Awesome Vision-Language-Action for Humanoid Robots'; сам код WholeBodyVLA не выпущен.
Как реально пользоваться этим репозиторием?Устанавливать ничего не нужно — вы просматриваете категоризированный список статей (perception/planning, whole-body-контроллеры, генеративное планирование движений, планирование на основе MoCap) и переходите по ссылкам arXiv, Code или Demo у каждой записи.
Могу ли я прямо сейчас запустить модель WholeBodyVLA сам?Нет — авторы не называют сроков выпуска кодовой базы, так что сейчас доступны только описание статьи и приложенный список литературы.
Как WholeBodyVLA устроен технически?Он обучает единые латентные действия на эгоцентричных видео без записи действий через Latent Action Model (LAM), кодируя изображения и языковые инструкции в латентные токены действий, которые декодируются в совместные движения двух рук и команды локомоции; стабильную координацию всего тела обеспечивает RL-политика с ориентацией на локомоцию-манипуляцию (LMO).
Как организован awesome-список?Статьи сгруппированы по темам: зрительное восприятие для манипуляций, планирование на основе MoCap, генеративное планирование движений/траекторий и whole-body-контроллеры; каждая помечена местом публикации, годом и, где есть, ссылками на arXiv, код или демо.
Список ещё обновляется?Да — он прямо описан как 'непрерывно обновляемый' и уже содержит записи вплоть до начала 2026 года.
Size
44.9 MB
Stars
580
Updated
CommitMay 25
Age
10mo
Commits · 90 Days