VistaVLA: VLA fundamentada em Gaussianas 3D com consciência geométrica e semântica para manipulação robótica

arXiv:2607.12356v1 Tipo de anúncio: novo Resumo: Os modelos de Visão-Linguagem-Ação (VLA) surgiram como um poderoso paradigma de ponta a ponta para a manipulação robótica, ao mapear instruções em linguagem e entradas visuais 2D diretamente para ações. No entanto, esses modelos carecem de uma representação 3D explícita em nível de cena, o que limita sua capacidade de raciocinar sobre disposições espaciais e restrições geométricas. Embora esforços recentes incorporem pistas 3D explícitas, como mapas de profundidade ou nuvens de pontos, para aprimorar a consciência geométrica...