GeoMem-VLA

新的GeoMem-VLA框架将3D场景理解内化，用于机器人控制

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。