arXiv cs.RO· I-Chun Arthur Liu, Jason Chen, Gaurav S. Sukhatme, Daniel Seita·· 20 小时前精选AI 评分62
ExStereo：用显式立体表示将 2D VLA 模型提升到 3D
ExStereo: Lifting 2D Vision-Language-Action Models to 3D with Explicit Stereo Representations
AI 导读
ExStereo 是一个立体模块，用立体图像对重建场景几何并渲染多视角观测作为显式立体表示，再通过动作-立体交叉注意力让动作 token 选择性关注立体 token，使策略基于 3D 场景信息生成动作。作者在任务后训练前加入基于大规模立体数据自监督目标的中间训练阶段，并微调 π0.5 与 SmolVLA 两个公开 VLA，在仿真和真实双臂 PiPER 平台上评估，结果均优于基线。
推荐理由
提出用立体视觉为预训练 2D VLA 补上 3D 感知的模块，并在仿真与真机双臂平台上验证。
来源：arXiv cs.RO · arxiv.org