研究人员开发了一种新的视觉-语言-动作（VLA）模型，称为以摄像头为中心的VLA（CamVLA），该模型无需显式摄像头校准即可运行。该模型预测以摄像头为中心的动作和手眼矩阵，使其能够从单个单目RGB图像生成机器人基坐标系动作。CamVLA在模拟和真实机器人数据的不同、未见过的视角下均表现出更高的成功率，使其在摄像头设置经常变化的真实场景中更加鲁棒且易于部署。 AI
影响 这项研究通过消除对精确摄像头校准的需求，可能简化机器人部署，从而加速机器人在动态环境中的应用。
排序理由 该集群包含一篇详细介绍新模型及其评估的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.05396v1 Announce Type: cross Abstract: Real-world robot deployment rarely maintains the training-stage camera setup, where cameras often experience repositioning or remounting depending on actual scenarios. Existing view-robust Vision-Language-Action (VLA) policies tol…
Real-world robot deployment rarely maintains the training-stage camera setup, where cameras often experience repositioning or remounting depending on actual scenarios. Existing view-robust Vision-Language-Action (VLA) policies tolerate such camera variations only when the camera …