arXiv · 机器人与计算机视觉· Hanbo Zhang, Lianlei Shan, Liuhaichen Yang, Zezhi Tang·· 2 天前精选AI 评分82
PlanDiv:基于潜在规划的视觉语言动作模型测试时扩展方法
PlanDiv: Test-Time Scaling with Latent Plans for Vision-Language-Action Models
AI 导读
该论文提出 PlanDiv 模块,通过引入轻量级规划器生成 K 个潜在计划假设,使视觉语言动作模型的多个候选动作差异源于规划而非噪声。在固定主干网络与训练数据下,该方法将 CALVIN 基准上五步任务链成功率从 56.9% 提升至 69.9%,并在 LIBERO-Long 和真实 Franka 机械臂实验中验证了其在多解任务中的优势。材料为预印本论文,未提及开源代码或模型权重。
推荐理由
提出 PlanDiv 模块,利用潜在规划假设提升 VLA 模型在测试时的多候选执行成功率。
来源:arXiv · 机器人与计算机视觉 · arxiv.org