← 视觉 · 语言 · 动作 / 三维空间与操作

正式发表 / Vision–Language–Action

SpatialVLA

SpatialVLA: Exploring Spatial Representations for Visual-Language-Action Models

RSS · 2025

快照 2026-10-28 · 引用:Semantic Scholar / arXiv 关联记录 · 代码核验依据 ↗

关键框架 FRAMEWORK
三维位置编码与自适应动作网格SpatialVLA · 原文 Fig. 2 · p.3 ↗

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。

  1. 01估计自我中心位置
  2. 02构造动作空间网格
  3. 03适配新机器人分布
SpatialVLA三维位置编码与自适应动作网格
三维位置编码与自适应动作网格

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。 来源 ↗ · 打开完整图片 ↗

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。

当前阶段三维空间与操作 ↗

空间特征、关键位姿和几何结构如何帮助操作?

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