FocusVLA：基于未来意图动态路由视觉语言动作模型的视角
FocusVLA是一种用于机器人操作任务的自适应多视角路由框架。它根据历史动作预测未来交互意图，并在生成动作时据此动态协调全局视角与局部视角的观察信息。该方法针对现有视觉语言动作模型过度依赖腕部摄像头视角的问题，以提升不同操作阶段的适应性和稳健性。在RoboTwin 2.0上，FocusVLA的平均成功率较最强基线π₀.₅提高了10.10个百分点。在真实环境评测中，成功率从71.7%提升至85.0%。研究人员表示，意图预测和动态路由模块可以集成到现有VLA框架中，而无需修改其核心架构。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。