研究人员推出G$^3$VLA，这是一个旨在增强机器人操作的视觉-语言-动作（VLA）模型的新模块。该模块解决了2D图像坐标与机器人相机校准几何之间的不匹配问题，尤其是在多摄像头设置中。G$^3$VLA将相机感知的几何结构注入VLA模型，而不会改变其动作空间或学习目标。该系统在各种基准套件和真实机器人环境中，尤其是在对空间和物体细节敏感的任务上，都展示了持续的性能提升。 AI
影响 通过改善VLA模型中的几何理解来增强机器人操作能力。
排序理由 该集群包含一篇详细介绍AI模型新模块的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.24472v1 Announce Type: cross Abstract: Vision-language-action (VLA) models have made rapid progress in generalist robot manipulation by harnessing semantic knowledge from pretrained vision-language backbones, but their visual tokens remain grounded in 2D image coordina…
Vision-language-action (VLA) models have made rapid progress in generalist robot manipulation by harnessing semantic knowledge from pretrained vision-language backbones, but their visual tokens remain grounded in 2D image coordinates rather than the calibrated geometry of the rob…