CondenseVLA

CondenseVLA通过可学习的历史压缩提高了VLA的效率

研究人员开发了CondenseVLA，一种用于视觉语言代理（VLA）的新颖方法，可高效处理多帧视觉上下文。该方法使用可学习的解码器端历史压缩模块，将观察历史提炼为固定数量的槽令牌，与简单地扩大历史窗口相比，降低了计算成本和冗余。CondenseVLA在Simpler-WidowX、LIBERO和依赖记忆的RMBench任务等各种任务中都显示出成功率的显著提高，尽管在更复杂的多观察场景中仍面临挑战。