RoboCasa24

新的G3VLA模块通过几何感知增强机器人操作VLA模型

研究人员推出G$^3$VLA，这是一个旨在增强机器人操作的视觉-语言-动作（VLA）模型的新模块。该模块解决了2D图像坐标与机器人相机校准几何之间的不匹配问题，尤其是在多摄像头设置中。G$^3$VLA将相机感知的几何结构注入VLA模型，而不会改变其动作空间或学习目标。该系统在各种基准套件和真实机器人环境中，尤其是在对空间和物体细节敏感的任务上，都展示了持续的性能提升。