ProgVLA

新型机器人模型ProgVLA高效学习技能

研究人员开发了ProgVLA，一个紧凑的视觉-语言-动作模型，用于机器人操作，能够高效处理长多模态序列。它使用Perceiver重采样方案将视觉、语言和本体感觉数据压缩为固定数量的上下文令牌。该模型还包含通过强化学习训练的进度头，用于估计任务完成情况，从而实现更有效的模仿学习。一个0.1B参数版本的ProgVLA在操作基准测试中已显示出与更大模型相当的成功率，并在真实的厨房环境中得到了验证。