VLA / 视觉-语言-动作模型

2605.30350 2026-05-29 cs.RO cs.LG 62%

DynaFLIP: Rethinking Robotics Perception via Tri-Modal-Dynamics Guided Representation

DynaFLIP: 通过三模态动力学引导表示重新思考机器人感知

Jusuk Lee, Seungjae Lee, Jonghun Shin, Hoseong Jung, Sungha Kim, Daesol Cho, H. Jin Kim, Jia-Bin Huang, Furong Huang

机构 * Seoul National University（首尔国立大学）； University of Maryland, College Park（马里兰大学学院公园分校）； Georgia Institute of Technology（佐治亚理工学院）

专题命中部署与泛化：VLA(abstract_cn)；分类 cs.RO、cs.LG

AI总结提出DynaFLIP，一种动力学感知的多模态预训练框架，通过图像-语言-3D流三元组训练图像编码器，利用单纯形体积最小化与余弦正则化和对比目标对齐三模态，提升机器人操作中的运动理解与泛化能力。