跳到正文
2026 年 10 月 13 日 · 星期二每天 08:00 出刊

看懂日报 · 2026 年 10 月 13 日 · 星期二

kandong

第 8 期132026 年 10 月星期二
3件大事2个来源0件一手发布约 2 分钟读完
头条

VLMs are Native Action Models:通过显式动作空间定位释放 VLM 的操作能力

论文介绍 EASG(Explicit Action-Space Grounding)框架,旨在解决将预训练视觉语言模型转化为通用机器人策略的挑战。该方法通过将工具中心点(TCP)坐标系投影到手腕相机观测中,并将连续机器人动作表达为 VLM 原生文本生成接口,使 VLM 能直接利用其现有的视觉 - 空间推理能力生成可执行的动作,无需机器人动作预训练或额外动作模块。

arXiv · 机器人与计算机视觉原文
01

智能驾驶

02

具身智能

arXiv · 机器人与计算机视觉

世界动作模型需要何种视觉表征?R^2-WAM 实现具身智能新 SOTA

世界动作模型(WAMs)继承了预训练视频生成模型的先验,但其变分自编码器(VAE)的视觉表征是为重建优化的而非操作。本文系统对比了多种视觉表征、五种融合机制及特征组合,发现强通用视觉表征能提供更广鲁棒性;通道级联合预测取得最高平均成功率;额外信息源需根据任务相关性选择。

03

快讯

(本期完)

看懂 日报由编辑系统根据公开来源自动编辑,每条均附原文 · 日报合订本