跳到正文
arXiv · 机器人与计算机视觉· Shengzhe Zhang, Qi Zhang, Dazhong Shen, Chao Wang, Shaopeng Zhai, Hui Xiong·· 14 天前精选AI 评分78

$A^3$-VLA:面向机器人操作的自动感知引导注意力对齐

$A^3$-VLA: Automatic Perception-Guided Attention Alignment for Robot Manipulation

AI 导读

该论文针对视觉语言动作模型(VLA)因缺乏细粒度感知监督而依赖无关视觉捷径的问题,提出 $A^3$-VLA 框架。该方法利用操作过程产生的视觉变化生成启发式候选区域,并通过离线分割模型细化,结合注意力分配损失与对比学习损失实现任务关键区域的引导。实验表明,该框架在多个基准上使 VLA 主干的平均成功率提升 6.5% - 25.2%,且材料为预印本版本。

推荐理由

针对 VLA 依赖视觉捷径的问题,提出利用交互变化生成感知引导的框架,在仿真与真实任务中显著提升成功率。

来源:arXiv · 机器人与计算机视觉 · arxiv.org