LEEVLA：在潜在环境演化中看清关键，实现视觉-语言-动作新突破
英文标题：LEEVLA: Seeing What Matters in Latent Environment Evolution for Vision-Language-Action
论文 LEEVLA 提出了一种新颖的视觉-语言-动作模型，专注于从潜在环境演化中捕捉关键视觉信息。现有方法通常均等对待所有视觉标记并依赖人工选定的因素进行推理，难以胜任复杂动态场景。LEEVLA 通过自适应地关注潜在演化中的关键要素，提升了机器人动作预测的鲁棒性和泛化能力，为开发更智能的具身智能体提供了新思路。
打开原文相关 4 · 机会 0
2.6 KB
2.1 KB
640 B
612 B
380 B
9.1 KB
22.8 KB
24.2 KB
34.7 KB
中文
LEEVLA：Seeing What Matters in Latent Environment Evolution for Vision-Language-Action
arXiv:2607.08182v1 · 公告类型：新提交
摘要
视觉-语言-动作 (Vision-Language-Action, VLA) 模型旨在将多模态输入映射为机器人动作。然而，大多数现有方法因均等处理所有视觉标记，并基于人类选定的因素进行推理，难以覆盖复杂的动态场景。LEEVLA 通过建模潜在环境演化中的关键信息，使模型能够动态关注与任务真正相关的视觉元素，从而在多样化环境中取得更稳定、更可迁移的决策能力。
BibTeX 格式引用
bibtex @misc{leevla2025, title={LEEVLA: Seeing What Matters in Latent Environment Evolution for Vision-Language-Action}, author={...}, year={2025}, eprint={2607.08182}, archivePrefix={arXiv}, primaryClass={cs.RO} }
English / 原文
BibTeX formatted citation
×