跳到正文
arXiv · 机器人与计算机视觉· Qize Yu, Jiadi You, Yuran Wang, Jiaqi Liang, Bowen Ping, Yang Tian, Yue Chen, Bohan Zhou, Wenxuan Song, Minghong Cai, Zeying Gong, Ruihai Wu, Yinchuan Li, Junwei Liang, Yingcong Chen·· 2026-10-20AI 评分72

AffordanceVLA:一种通过机会认知理解赋能动作生成的视觉 - 语言 - 动作模型

AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding

AI 导读

针对预训练视觉语言模型语义空间与具身控制策略的结构不匹配问题,本文提出 AffordanceVLA 框架。该框架引入结构化机会学习作为任务导向和对象中心的中间表示,通过 Which2Act、Where2Act 和 How2Act 三个互补组件建立精确的感知 - 动作映射。

来源:arXiv · 机器人与计算机视觉 · arxiv.org