跳到正文
arXiv · 机器人与计算机视觉· Qinfan Zhang, Yifan Luo, Haoyuan Shi, Guanlin Liu, Han Dong, Haozhe Shan, Yong Dai, Xiangcong Ren, Xiaozhu Ju·· 28 天前AI 评分72

GeoMem-VLA:将三维场景理解内化为时序记忆的视觉语言动作模型框架

GeoMem-VLA: Internalizing 3D Scene Understanding into Temporal Memory for Vision-Language-Action Models

AI 导读

论文介绍 GeoMem-VLA 框架,通过专用几何 token 和冻结的几何基础模型监督,将三维场景理解内化为可更新的时序记忆以支持动作生成。该方法在 LIBERO 基准上平均成功率为 98.9%,在 RoboTwin 干净/随机化设置下分别为 91.10% / 91.24%,并在五个真实世界任务中达到 78.0% 的平均成功率。材料为 arXiv 预印本,未提及同行评审状态或开源代码仓库。

来源:arXiv · 机器人与计算机视觉 · arxiv.org