G³VLA：相机几何先验增强视觉语言动作模型

Yue Peng 等作者发布 G³VLA 论文（v2），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，将标定结构注入视觉 Token，不改变动作空间和原有动作学习目标。据论文摘要，方法包括内参条件射线嵌入、投影位置编码 PRoPE 和双向跨视角融合。 几何监督来自真值点图或置信度门控的 π³X 教师预测，使训练无需深度传感器或人工几何标注。在 π₀ 上，两种监督方式下均在 LIBERO 和 RoboCasa24 上持续带来性能提升，并在相机视角变化的 LIBERO-Goal 和真实机器人实验中显示对未见相机视角的鲁棒性提升。以上为基于论文摘要的作者声称，尚未经独立验证。

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。