arXiv · 机器人与计算机视觉· Jinxi Liu, Ruifeng Zhai, Hao Liu, Guangrun Wang·· 4 小时前AI 评分73
One View, One Action:基于观察对齐专家的具身智能视觉语言动作模型
One View, One Action: Spatially Generalizable VLAs through Observation-Aligned Experts and Cross Graph Consistency
AI 导读
针对多视角视觉语言动作模型在空间泛化上的挑战,该研究提出 One View, One Action (OVOA-VLA) 架构,通过联合训练基座帧专家与视图特定专家并引入跨图一致性机制,实现了对不同相机视角和机器人初始状态变化的鲁棒性。
来源:arXiv · 机器人与计算机视觉 · arxiv.org