← 视觉 · 语言 · 动作 / 数据与经验更新目标定位、抓取位姿与动作专家CoRL 2025 · Fig. 3 · p.5 ↗
正式发表 / Vision–Language–Action
GraspVLA
GraspVLA: a Grasping Foundation Model Pre-trained on Billion-scale Synthetic Action Data
CoRL · 2025
关键框架 FRAMEWORK
用大规模合成抓取轨迹共同训练视觉语言骨干与动作专家,先定位物体,再预测抓取位姿和连续动作。
- 01生成随机化抓取数据
- 02共同学习语义定位
- 03逐步生成位姿和动作
THE IDEA
它在解决什么
用大规模合成抓取轨迹共同训练视觉语言骨干与动作专家,先定位物体,再预测抓取位姿和连续动作。
WHY READ IT
为什么放在这条路线
与 DROID 的真实采集路线对照,重点是合成数据、语义 grounding 和渐进动作接口如何支持抓取迁移。
READ WITH A QUESTION
读的时候,留意什么
主要任务是抓取;不能把抓取的 sim-to-real 结果直接扩展为任意长时程操作能力。
我的阅读笔记
LOCAL NOTES笔记仅保存在当前浏览器