G³VLA 向视觉-语言-动作模型注入多相机几何,提升机器人操作
Yue Peng · hf · 2026-10-15
G³VLA 通过射线嵌入(ray embeddings)与跨视角融合,将标定好的多相机几何信息注入视觉-语言-动作(VLA)模型,在不改变动作空间的前提下改进机器人操作。论文还给出两阶段训练方案:先以几何教师蒸馏预训练相机感知几何模块(辅助点图头),再进行全策略微调,结合动作损失与蒸馏损失。
「具身」频道最新
- Gracia 推新世界模型，主打 Real2Sim2Real 与物理 AI — jonstephens85 · 2026-10-15
- Niantic Spatial 借 Pokémon Go 海量影像做出 VPS，日本开发者已复刻原型 — jonstephens85 · 2026-10-15
- RoboParty 发布 RP1:全栈开源人形机器人平台 — GuanyaShi · 2026-10-15
- 港中文等发布 Agentic Robots 综述:模型/数据/环境/框架四大域 17 类全景 — Chonghan Qin · 2026-10-15
- SNU 发布 HumanoidToolBench:18 任务评测人形机器人工具使用,真实 G1 数据 3.1k — snupilab · 2026-10-15
- 上交大 RegisterWAM:给世界动作模型加寄存器,LIBERO-Plus 成功率 81.6% — AutoLab-SJTU · 2026-10-15