← 视觉 · 语言 · 动作 / 三维空间与操作三维位置编码与自适应动作网格SpatialVLA · 原文 Fig. 2 · p.3 ↗
正式发表 / Vision–Language–Action
SpatialVLA
SpatialVLA: Exploring Spatial Representations for Visual-Language-Action Models
RSS · 2025
关键框架 FRAMEWORK
向视觉 token 注入自我中心三维位置,以适应数据分布的动作网格编码机器人动作,并支持新机器人适配。
- 01估计自我中心位置
- 02构造动作空间网格
- 03适配新机器人分布
THE IDEA
它在解决什么
向视觉 token 注入自我中心三维位置,以适应数据分布的动作网格编码机器人动作,并支持新机器人适配。
WHY READ IT
为什么放在这条路线
把三维几何与 VLM 动作 token 连接起来,可与 OpenVLA 的动作离散化及连续动作专家比较。
READ WITH A QUESTION
读的时候,留意什么
位置嵌入依赖深度估计和相机内参;新机器人上的空间适配需要数据,不能等同于零样本迁移。
我的阅读笔记
LOCAL NOTES笔记仅保存在当前浏览器