跳到正文
arXiv · 机器人与计算机视觉· Masatoshi Tateno, Takehiko Ohkawa, Yueh-Hua Wu, Hanlong Li, Tatsuya Matsushima, Yoichi Sato, Kei Ota·· 2026-10-08AI 评分58

YUBI-STAG:基于自动化视频 - 语言定位的接触与语义丰富对齐框架

YUBI-STAG: Contact and Semantic-Rich Alignment for VLAs via Automated Video-Language Grounding

AI 导读

论文提出了 YUBI-STAG 框架,利用接触 - 物体分割与视觉语言模型自动为操作演示注入细粒度交互语义,以对齐预训练 VLA 模型。研究进一步蒸馏出仅凭手腕视角即可从原始视频恢复动作结构的 YUBI-VLM。在 YUBI-STAG-Bench 上的评估显示,该方法在时序、语义和空间定位任务上均有效,且后训练策略显著改善了双手动实验中的指令遵循与物体控制能力。

来源:arXiv · 机器人与计算机视觉 · arxiv.org