3D 视觉

OmniVLA-RL: A Vision-Language-Action Model with Spatial Understanding and Online RL

OmniVLA-RL：具备空间理解与在线强化学习的视觉-语言-动作模型

Haoxiang Jie, Yaoyuan Yan, Xiangyu Wei, Kailin Wang, Hongjie Yan, Zhiyou Heng, Daocheng Chen

机构 * AI Lab, Country Garden Services（国家花园服务人工智能实验室） ； Omni AI（奥米尼人工智能） ； VBot ； East China Normal University（东华大学） 纠错

专题命中 空间理解 ：spatial understanding(title)；分类 cs.RO

AI总结 本文提出OmniVLA-RL模型，通过混合Transformer架构整合推理、空间和动作专家，结合Flow-GSPO提升动作精度与训练稳定性，在LIBERO和LIBERO-Plus基准上表现优异，克服了现有VLA模型的局限。

EV-CLIP: Efficient Visual Prompt Adaptation for CLIP in Few-shot Action Recognition under Visual Challenges

EV-CLIP：为视觉挑战下的少样本动作识别在CLIP中实现高效的视觉提示适应

Hyo Jin Jon, Longbin Jin, Eun Yi Kim

机构 * Artificial Intelligence & Computer Vision Lab., Konkuk University, Seoul, South Korea（人工智能与计算机视觉实验室，韩国康 kuk 大学，首尔） 纠错

专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV

AI总结 本文提出EV-CLIP，通过引入mask prompts和context prompts提升CLIP在少样本视频动作识别中的性能，克服视觉挑战对空间感知的影响。

Comments 14 pages, 8 figures, 6 tables

AugVLA-3D: Depth-Driven Feature Augmentation for Vision-Language-Action Models

AugVLA-3D：基于深度的特征增强用于视觉-语言-动作模型

Zhifeng Rao, Wenlong Chen, Lei Xie, Xia Hua, Dongfu Yin, Zhen Tian, F. Richard Yu

机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） ； Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系） ； School of Communication and Information Engineering, Shanghai University（上海大学通信与信息工程学院） ； School of Information Technology, Carleton University（卡尔顿大学信息技术学院） 纠错

专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV

AI总结 本文提出AugVLA-3D框架，通过整合深度估计提升视觉-语言-动作模型的3D特征表示，增强模型在复杂3D环境中的感知与动作预测能力。

Journal ref ICRA2026