arXiv · cs.AI· Bingao Chen, Lihan Zha, C. Karen Liu, Guy Tevet·· 4 小时前
FoveaVLA用注视动作替代视觉语言动作模型的腕部摄像头
FoveaVLA: Foveation Actions Replace the Wrist Camera in VLAs
arXiv:2610.20064v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Bingao Chen, Lihan Zha, C. Karen Liu, Guy Tevet
研究任务与主要进展
FoveaVLA用学习到的注视动作替代VLA中的腕部摄像头，在预测动作块的同时预测下一次策略查询需要关注的交互区域，并结合原始分辨率图像的局部裁剪与完整视图。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org