HiFOR：面向视觉-语言-动作模型的层级前瞻与动作引导世界 grounding
HiFOR 是一种面向视觉-语言-动作（VLA）模型的层级方法，使模型能够根据视觉输入和语言指令生成机器人动作。它联合预测短期状态变化、语义里程碑和任务最终目标，并通过结构化潜在表示，按时间范围、视角和空间维度组织未来信息。在动作生成过程中，模型根据不断变化的动作表示，检索相关的未来信息。研究在两个仿真基准和六项真实机器人操作任务上进行了实验，结果显示该方法有效。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。