FoveaVLA 用学习式注视动作替代腕部相机,成功率升至 70.8%
Haoyu_Xiong_ · x · 2026-10-16
研究者 bingaochen 团队推出 FoveaVLA，一种用「学习到的注视动作」替代腕部相机的 VLA（视觉-语言-动作）模型。
- 核心思路：策略先预测下一步需要看哪里，再从外部相机全分辨率图像中裁剪该区域作为「中央凹」特写；全图提供上下文，注视裁剪提供近距离细节。
- 效果：仅用一个外部相机、无腕部相机，在 48 次真实世界试验中成功率达 70.8%，优于带腕部相机的 π0.5（52.1%）。
- 无需额外演示数据，无需相机标定。
论文、代码与模型权重均已开源。
「具身」频道最新
- AutoAgent0:用 VLM 做 agentic runtime,长尾场景成功率提升 28.3 个百分点 — yining_hong · 2026-10-16
- 港科大等推出 CarryOn:双循环框架让冻结 VLA 机器人助手更个性更安全 — Zixuan Wang · 2026-10-16
- 马斯克暗示：Grok 将进 Optimus 机器人，数字 Optimus 也将入 Grok — beffjezos · 2026-10-16
- OpenDriveLab 等提出 SimVTA:用模拟器渲染未来视频给驾驶世界模型做 RL 后训练 — OpenDriveLab · 2026-10-16
- 9 家机器人数据供应商横评：Scale AI 营收超 10 亿美元，机器人业务能否复制其利润率 — FinanceYF5 · 2026-10-16
- Kroger 裁 3000 个公司岗位占 37%，博主预言人形机器人 2030 年代接棒 — csuwildcat · 2026-10-16