บทความวิจัยฉบับนี้เป็นการทบทวนวรรณกรรม (Review) เกี่ยวกับโมเดล Vision Language Action (VLA) ซึ่งเป็นโมเดลพื้นฐานที่รวมการรับรู้ด้วยภาพ การเข้าใจภาษาธรรมชาติ และการสร้างคำสั่งควบคุม (Action) ไว้ในโครงสร้างเดียว งานวิจัยนี้ครอบคลุมการศึกษา 183 รายการในช่วงปี 2017-2026 โดยวิเคราะห์ใน 7 มิติสำคัญ เช่น สถาปัตยกรรม VLA, วิธีการฝึกฝน (Training recipes), และการแสดงผลของคำสั่งควบคุม (Action representations)
เนื้อหาหลักเน้นไปที่การประยุกต์ใช้ในหุ่นยนต์แขนคู่ (Bimanual manipulation) ซึ่งเป็นโจทย์ที่ท้าทายเนื่องจากต้องประสานงานแขนที่มีความอิสระสูงถึง 14 องศาเสรี และหุ่นยนต์อากาศยานไร้คนขับ (UAV) ที่ต้องควบคุมแรงขับและทิศทางภายใต้ข้อจำกัดด้านความหน่วง (Latency) และน้ำหนักบรรทุก โดยงานวิจัยชี้ให้เห็นว่ากลยุทธ์การประสานงานและวิธีการฝึกฝนที่ใช้กับหุ่นยนต์แขนคู่สามารถถ่ายโอนเทคโนโลยีมาใช้กับระบบโดรนได้อย่างมีประสิทธิภาพ
