arXiv · 机器人与计算机视觉· Richard Shi, Mohammad Mahdavian, Mehrdad Momeni Zadeh, Mohammed Elmahgiubi, Amir Rasouli·· 6 天前精选AI 评分78
MOSAIC:面向杂乱场景的模块化障碍物与空间感知操作框架
MOSAIC: Modular Obstacle and Spatial-Aware Framework for Manipulation In Cluttered Scenes
AI 导读
针对现有视觉语言动作模型在杂乱环境中依赖隐式推断几何关系导致碰撞的问题,本文提出 MOSAIC 框架,通过辅助语义定位任务预测目标、目的地及障碍物的角色掩码,并结合三维重建深度构建几何 token 注入动作专家。
推荐理由
该框架通过引入几何与障碍物感知模块,在杂乱场景中将 VLA 模型的成功率提升 5.1%,相关代码与数据集将在接受后开源。
来源:arXiv · 机器人与计算机视觉 · arxiv.org