arXiv · 机器人与计算机视觉· Bingao Chen, Lihan Zha, C. Karen Liu, Guy Tevet·· 2026-10-15精选AI 评分78
FoveaVLA:用注视动作替代 VLA 中的腕部相机
FoveaVLA: Foveation Actions Replace the Wrist Camera in VLAs
AI 导读
论文 FoveaVLA 提出一种视觉语言动作模型,通过预测交互区域的注视动作来替代腕部相机,从而在保持全局视野的同时恢复操作所需的细节。该模型基于 pi_0.5 构建,支持单目或双目外部立体相机输入,并在 DROID 上后训练。
推荐理由
该工作提出用预测的注视区域裁剪替代腕部相机,在单目和双目配置下均提升了真实世界任务成功率。
来源:arXiv · 机器人与计算机视觉 · arxiv.org