← 视觉 · 语言 · 动作 / 多任务与跨本体视觉子目标到动作的闭环CVPR 2025 · Fig. 2 · p.3 ↗
正式发表 / Vision–Language–Action
CoT-VLA
CoT-VLA: Visual Chain-of-Thought Reasoning for Vision-Language-Action Models
CVPR · 2025CCF A
关键框架 FRAMEWORK
在生成式多模态模型中先预测子目标图像,再用完整注意力生成短动作序列,执行后观察并继续。
- 01生成子目标图像
- 02预测动作块
- 03执行并更新观测
THE IDEA
它在解决什么
在生成式多模态模型中先预测子目标图像,再用完整注意力生成短动作序列,执行后观察并继续。
WHY READ IT
为什么放在这条路线
将中间推理显式表示为视觉子目标;这里的 chain-of-thought 主要是图像,不应写成文字思维链。
READ WITH A QUESTION
读的时候,留意什么
依赖生成模型、机器人训练数据与目标图像质量;所测泛化不构成任意任务的规划正确性保证。
我的阅读笔记
LOCAL NOTES笔记仅保存在当前浏览器