跳到正文
arXiv · 机器人与计算机视觉· Yuan Xu, Yixiang Chen, Qisen Ma, Jiabing Yang, Peiyan Li, Kai Wang, Jianhua Yang, Jianlou Si, Jun Huang, Jing Liu, Nianfeng Liu, Yan Huang, Liang Wang·· 2026-10-07AI 评分66

ViDAL:一种基于视觉动态的动作潜在空间用于视觉语言动作模型

ViDAL: A Visual Dynamics-Grounded Action Latent Space for Vision-Language-Action Models

AI 导读

论文介绍 ViDAL,这是一种将连续动作潜在变量锚定在未来场景视觉动态中的表示方法。通过训练动作变分自编码器(Action VAE)重构动作片段并使其潜在空间与未来动态对齐,该方法可作为插件接口兼容多种 VLA 架构,并支持可选的未来视频预测能力。

来源:arXiv · 机器人与计算机视觉 · arxiv.org