arXiv · 机器人与计算机视觉· Jungin Park, Chaoran Zhu, Changjae Oh, Kwanghoon Sohn·· 9 天前精选AI 评分83
SPARK-VLA:一种无需外部 3D 输入的视觉语言动作模型空间表征蒸馏与知识路由方法
Spatial Representation Distillation and Knowledge Routing for Vision-Language-Action Models
AI 导读
针对视觉语言动作模型(VLA)理解三维物理结构的需求,本文提出 SPARK-VLA 框架,在无需推理时引入外部 3D 输入或专家的前提下实现空间适配。
推荐理由
提出无需外部 3D 输入的 SPARK-VLA 框架,通过注意力对齐蒸馏与轻量路由实现参数高效的 3D 感知 VLA 学习。
来源:arXiv · 机器人与计算机视觉 · arxiv.org