3D Adapter

XEmbodied基础模型通过3D几何增强VLA系统

研究人员推出XEmbodied，一个旨在通过整合几何和物理线索来增强视觉-语言-动作（VLA）模型的新型基础模型。与目前在2D图像-文本数据上训练的现有模型不同，XEmbodied通过结构化的3D适配器和高效图像-具身适配器整合了3D几何感知和物理信号。这种方法旨在弥合通用VLM能力与复杂具身环境的特定需求之间的差距，从而提高在空间推理、交通语义和具身问答相关基准上的性能。