研究人员开发了T3R,一个旨在提高机器人领域中视觉-语言-动作(VLA)模型效率和鲁棒性的新框架。T3R采用两阶段、无需训练的方法:首先,它修剪不相关的视觉标记以减少计算负载并消除干扰的背景信息;其次,它将注意力重新分配给对动作至关重要的视觉区域和语言指令。该方法已显示出显著的改进,例如在LIBERO-Spatial基准测试中移除了85%的视觉标记,同时保持了可比的成功率,并在分布变化下提高了性能。 AI
影响 通过降低计算负载和提高鲁棒性来增强VLA模型的效率,可能加速端到端机器人控制应用。
排序理由 这是一篇详细介绍VLA模型新框架的研究论文。[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 →