arXiv · 机器人与计算机视觉· Di Zhu, Ziheng Yan, Fang Wan·· 20 天前AI 评分70
ActionUNet:利用高效多尺度微调提升 VLA 模型的鲁棒性
ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning
AI 导读
针对视觉语言动作(VLA)模型在将粗粒度语义映射为细粒度时序执行时存在的泛化受限和鲁棒性不足问题,本文提出 ActionUNet 框架。该框架在时序对齐的动作特征空间内构建轻量级 U-Net 以融合分层结构先验,并采用带二阶平滑约束的连续 SIREN 作为动作解码器,以消除多尺度建模带来的机械振荡。
来源:arXiv · 机器人与计算机视觉 · arxiv.org