FoveaVLA 让机器人自己决定看哪：实测成功率 70.8% 超腕上相机
stepjamUK · x · 2026-11-05
Stanford 与 Princeton 团队（含 Karen Liu、Guy Tevet）在 π0.5 基础上构建 FoveaVLA：让策略模型在每个 action chunk 时预测下一步需要看清的区域框，并从 1280x720 全分辨率外部相机图像中裁剪出来，避免压缩到 224x224 导致夹爪与物体细节丢失——即「由策略选择往哪看」，替代固定在手腕上的相机。
实测结果（单外部相机+深度，无腕相机）：
- 真实任务 34/48 成功（70.8%），优于带腕相机的 π0.5 的 25/48（52.1%）
- 仅用外部视角重训 π0.5 只有 6.3%
消融：只裁剪 20.8%、只深度 6.3%、两者结合 70.8%，说明裁剪+深度的组合是关键。代码与模型开源。评测规模较小（每套 12 次），作者也认为还需更大规模验证。
「具身」频道最新
- YC F26 项目 Asim 发布：为机器人团队提供部署前失败检测基准 — ycombinator · 2026-11-05
- MachineAge 开放平台：让水电工和修车师傅教机器人干活 — thetripathi58 · 2026-11-05
- OpenCV 直播演示机器人「视觉皮层」:RealSense+Jetson+ROS 2 实操 — chrismatthieu · 2026-11-05
- 399 美元 Aina 智能戒指发布：带屏幕摇杆麦克风，可对话控制 AI Agent — Scobleizer · 2026-11-05
- 投资人改口:上周以为要 5-10 年,室内自主智能现已落地 — StewartalsopIII · 2026-11-05
- Zomato 创始人回应质疑：已投 3000 万美元做 AI 硬件 Temple — CurieuxExplorer · 2026-11-05