VLA-Δ：为视觉-语言-动作模型学习物理状态转变
VLA-Δ 是一种视觉-语言-动作模型框架，将当前与未来物理状态之间的变化明确作为学习目标。研究团队构建了大规模预训练数据集，并标注与任务相关的语义信息和视觉运动变化。推理时，模型可直接根据当前观测生成动作，无需额外推理开销。它在 LIBERO 和 RoboTwin 上取得了具有竞争力的结果，并在真实机器人实验中超过 π₀.₅。代码已公开。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。