1.突破视觉的边界

视觉-语言-动作模型（VLA）在机器人操控领域展现出巨大潜力通过赋予预训练视觉-语言模型（VLM）动作生成能力，机器人能够理解自然语言指令并在多样化场景中展现出强大的泛化能力然而，这类模型在应对长时序或精细操作任务时，仍然存在性能下降的现象。

2.突破视野局限

这种现象的根源在于，模型虽具备语义理解能力，却缺乏对三维空间的几何感知与推理能力，导致其难以准确捕捉如机械臂夹爪与物体之间相对位置关系等关键三维信息为此，由中国科学院自动化研究所与灵宝 CASBOT 共同提出了

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。