FoveaVLA：以学习到的注视动作替代 VLA 腕部相机

Bingao Chen、Lihan Zha、C. Karen Liu、Guy Tevet 等发布 FoveaVLA 论文（arXiv:2610.20064v1），提出用学习到的注视动作替代视觉语言动作（VLA）模型中的腕部摄像头：模型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。 FoveaVLA 基于 π0.5 构建，分 Single 与 Dual 两种配置，使用一到两个外部立体相机提供全视图与注视区域的 RGB 和深度输入，并在 DROID 数据上结合 RoboInter 交互标注做后训练。论文称在四个真实任务套件上，FoveaVLA-Single 用单个外部 RGB-D 视角达到 70.8% 成功率，FoveaVLA-Dual 达 77.1%，而配备腕部相机的 π0.5 为 52.1%。以上结果来自论文自述，尚未见独立复现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。