VLA / 视觉-语言-动作模型

Point What You Mean: Visually Grounded Instruction Policy

指出你的意图：基于视觉的指令策略

Hang Yu, Juntu Zhao, Yufeng Liu, Kaiyu Li, Cheng Ma, Di Zhang, Yingdong Hu, Guang Chen, Junyuan Xie, Junliang Guo, Junqiao Zhao, Yang Gao

机构 * Tongji University（同济大学） ； Shanghai Jiao Tong University（上海交通大学） ； Spirit AI ； Tsinghua University（清华大学） 纠错

专题命中 动作表示与策略 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出Point-VLA，通过结合视觉提示提升物体指称能力，在复杂场景中实现更精准的视觉 grounding。

Video2Act: A Dual-System Video Diffusion Policy with Robotic Spatio-Motional Modeling

Video2Act：一种双系统视频扩散策略，具有机器人空间-运动建模

Yueru Jia, Jiaming Liu, Shengbang Liu, Rui Zhou, Wanhe Yu, Yuyang Yan, Xiaowei Chi, Yandong Guo, Boxin Shi, Shanghang Zhang

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（信息处理国家重点实验室，北京大学计算机学院） ； AI 2 Robotics（AI与机器人） ； Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

专题命中 动作表示与策略 ：VLA(abstract)；分类 cs.RO

AI总结 Video2Act通过整合空间和运动感知表示，提升机器人动作学习效率，其双系统设计在仿真和现实任务中均取得显著成果。