arXiv · 机器人与计算机视觉· Yuri Ishitoya, Jeremy Siburian, Masashi Hamaya, Haruto Suzuki, Kuniaki Saito, Toshihiko Fukushima, Cristian C. Beltran-Hernandez, Mai Nishimura·· 15 天前精选AI 评分81
CLAP:基于语言动作锚定的直接 VLM 到 VLA 适配方法
CLAP: Direct VLM-to-VLA Adaptation via Language-Action Grounding
AI 导读
CLAP 提出一种无需修改骨干架构即可将预训练视觉语言模型转化为视觉语言动作模型的方法,通过在数值动作序列前添加自然语言描述来因果性地条件化精确动作预测。
推荐理由
CLAP 通过因果语言动作预测解决输出分布不匹配问题,在少量训练下实现 VLM 到 VLA 的透明能力迁移。
来源:arXiv · 机器人与计算机视觉 · arxiv.org