研究人员开发了GeoMem-VLA,一个用于视觉-语言-动作模型的新框架,它将3D场景理解内化为时序记忆。与现有模型通常会丢弃几何信息或需要显式3D数据不同,GeoMem-VLA使用随时间更新的专用几何令牌。这种方法通过在每个步骤中无需重建整个3D场景即可提供紧凑、与任务相关的几何抽象,从而实现更有效的机器人控制。该框架在LIBERO和RoboTwin等基准测试以及实际机器人任务中都取得了很高的成功率。 AI
影响 内化和记忆3D场景理解是机器人控制的一种有前景的方法,有望提高复杂操作任务的性能。
排序理由 详细介绍机器人新模型/框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →