EEmbogent
模型数据硬件产品评测公司技术融资
模型2026/11/16 07:21·重要度 67

NF-VLA:用归一化流做VLA学习基线

NF-VLA: A Normalizing-Flow Baseline for Vision-Language-Action Learning

AI 摘要

研究者提出 NF-VLA,用条件自回归归一化流直接建模连续机器人动作,仅靠单一最大似然目标联合训练视觉-语言主干与流模型,无需扩散式多步采样。其深-浅层结构把视觉、语言与本体感知条件集中到高容量深层块,浅层块提供共享可逆动作变换;推理时用同一密度做一次分数校正,补偿训练时的高斯平滑。在操作类基准上性能与主流 VLA 方法相当。

阅读原文来源 arXiv cs.RO · arxiv.org

标题与摘要由 AI 根据原文自动生成,可能存在偏差;具体数据与结论请以原文为准。

同板块相关

模型4 天前

XBot-Omni:面向具身交互的全模态模型

Kerui Gu 等研究者提出 XBot-Omni,将 Omni 全模态范式扩展到机器人特有的身体运动与面部表情模态。模型采用 Thinker–Talker–Actor 三段架构:Thinker 处理文本、图像、音频和视频并生成情境化回应,Talker 负责语音表达,Actor 则以流式端到端方式生成协调的肢体动作与表情。

模型5 天前

GraSLA:以抓取假设为几何先验的轻量空间语言动作模型

Jibao Yuan 等提出 GraSLA,一种轻量级空间-语言-动作模型,将 6 自由度抓取假设作为几何先验融入连续动作操作策略:用空间基础模型与语言基础模型分别编码场景几何和任务语义,再与抓取假设融合,以弥补模仿学习示教不足导致的行为多样性欠缺,同时保留闭环响应能力。论文称其在语言条件操作任务上提升了行为多样性与执行效果。

模型1 天前

LSA:基于3D基础模型的分层机器人策略预训练框架

Yiyuan Ge等人提出分层机器人策略预训练框架LSA,分为Lift、See、Act三阶段。Lift阶段把2D人类视频观测提升为稠密3D表征,做法是让策略网络浅层特征与多个3D基础模型的中间表示自适应对齐;相比此前只用稀疏手部轨迹作监督,该框架保留了轨迹提取中的细粒度信息,目标是提升策略在真实场景的泛化能力。

模型5 天前

视频-动作模型 FLUX-mimic 面向数据高效工业操作

研究团队提出视频-动作模型 FLUX-mimic,其主干网络在大规模网络与工业任务数据上预训练,再由动作专家生成机器人轨迹,目标是在动作数据有限的条件下完成工业操作。作者在刚性、可变形与柔性零件的精密对齐与抓取任务上考察任务特定的数据需求,评估预训练视觉运动策略在产线多工序场景中的可扩展性。