Camera-Centric VLA

新型VLA模型实现无需校准的机器人控制

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。