arXiv · cs.AI· Yue Peng, Yongzhe Zhao, Artur Habuda, Khuyen Pham, Yanheng Zhu, Tran Nguyen Le, Fares Abu-Dakka, Li Guo·· 6 小时前
G³VLA通过相机几何增强视觉语言动作模型
G$^3$VLA: Geometric Inductive Bias for Vision-Language-Action Models
arXiv:2606.24472v2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：Yue Peng, Yongzhe Zhao, Artur Habuda, Khuyen Pham, Yanheng Zhu, Tran Nguyen Le, Fares Abu-Dakka, Li Guo
研究任务与主要进展
G³VLA提出一种面向预训练视觉语言动作模型的相机感知几何模块，在不改变动作空间和原有动作学习目标的情况下，将标定结构注入视觉Token。基于论文摘要，该方法结合内参条件射线嵌入、投影位置编码PRoPE和双向跨视角融合，并在LIBERO、RoboCasa24、RoboTwin2.0及相机视角变化实验中获得性能或鲁棒性提升。
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