VLA / 视觉-语言-动作模型

StageCraft: Execution Aware Mitigation of Distractor and Obstruction Failures in VLA Models

StageCraft: 通过执行意识缓解VLA模型中干扰和障碍故障

Kartikay Milind Pangaonkar, Prabin Rath, Omkar Patil, Nakul Gopalan

机构 * Arizona State University（亚利桑那州立大学） 纠错

专题命中 VLA模型 ：VLA(title,title_cn)；vision language action(abstract)；action model(abstract)；分类 cs.RO

AI总结 StageCraft通过利用大规模视觉语言模型进行推理，改进预训练VLA策略性能，通过操控环境初始状态避免执行故障，实现在三个真实任务领域中性能提升40%。

Comments Accepted to IEEE International Conference on Intelligent Robots and Systems (IROS) 2026

Unleashing More Actions via Action Compositional Training for VLA Models

通过动作组合训练释放VLA模型的更多动作

Kai Peng, Jie Lu, Xiaojiang Peng

专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；action model(abstract)；分类 cs.RO

AI总结 针对VLA模型因过拟合特定行为模式而无法泛化到新动作组合的问题，提出ACT-VLA框架，利用模型潜在任务表示从现有任务中合成新演示数据，无需额外人工采集，有效缓解过拟合并提升泛化能力。

Output-Level Regularization Eliminates the Seed Lottery in Single-GPU VLA Fine-Tuning

输出级正则化消除单GPU VLA微调中的种子彩票

Jeffrin Sam, Dzmitry Tsetserukou

机构 * Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究所） 纠错

专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；action model(abstract)；分类 cs.RO

AI总结 发现单GPU微调VLA-JEPA时存在种子彩票现象（随机种子导致性能骤降29%），归因于输出坍塌，提出输出级正则化（VICReg、Dropout、减半学习率）可完全消除该问题。

Comments 10 pages, 8 figures, submitted to CoRL 2026

Dexora: Open-source VLA for High-DoF Bimanual Dexterity

Dexora: 开源的高自由度双臂灵巧性VLA系统

Zongzheng Zhang, Jingrui Pang, Zhuo Yang, Kun Li, Minwen Liao, Saining Zhang, Guoxuan Chi, Jinbang Guo, Huan-ang Gao, Modi Shi, Dongyun Ge, Yao Mu, Jiayuan Gu, Rui Chen, Hao Dong, Huazhe Xu, Li Yi, Yixin Zhu, Hang Zhao, Pengwei Wang, Shanghang Zhang, Guocai Yao, Jianyu Chen, Hongyang Li, Hao Zhao

机构 * Tsinghua University（清华大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； The University of Hong Kong（香港大学） ； Shanghai Jiao Tong University（上海交通大学） ； ShanghaiTech University（上海科技大学） ； Peking University（北京大学） 纠错

专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract,abstract_cn)；分类 cs.RO

AI总结 本文提出Dexora，首个开源的VLA系统，旨在双臂双手高自由度操作，通过混合遥控管道分离粗臂运动和精细手指运动，结合物理平台和数字孪生，构建大规模训练数据集，并提出数据质量感知训练方法，实验证明其在基础和灵巧任务上的优越性能。

Comments Accpeted by ICRA 2026

VLA-GSE: Boosting Parameter-Efficient Fine-Tuning in VLA with Generalized and Specialized Experts

VLA-GSE: 提升VLA中基于通用和专用专家的参数高效微调

Yuhua Jiang, Junjie Lu, Xinyao Qin, Xiaoyu Chen, Kaixin Wang, Feifei Gao, Li Zhao

机构 * Microsoft Research Asia（微软亚洲研究院） ； Tsinghua University（清华大学） 纠错

专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract,abstract_cn)；分类 cs.RO

AI总结 VLA-GSE通过通用和专用专家机制提升VLA在机器人控制中的参数高效微调效果，保留预训练知识的同时提高适应能力，实验表明其在多个基准测试中表现优异。

DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA

DIAL: 通过潜在世界建模解耦意图与动作以实现端到端VLA

Yi Chen, Yuying Ge, Hui Zhou, Mingyu Ding, Yixiao Ge, Xihui Liu

机构 * The University of Hong Kong（香港大学） ； XPENG Robotics（小鹏机器人） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 DIAL通过潜在意图瓶颈解耦意图与动作，利用VLM进行潜在世界建模并结合轻量策略实现端到端VLA，实验表明其在RoboCasa GR1任务中优于现有方法，且在真实世界部署中表现稳健。

Comments Project page: https://xpeng-robotics.github.io/dial

ACoT-VLA: Action Chain-of-Thought for Vision-Language-Action Models

ACoT-VLA：面向视觉-语言-动作模型的行动链式推理

Linqing Zhong, Yi Liu, Yifei Wei, Ziyu Xiong, Maoqing Yao, Si Liu, Guanghui Ren

机构 * Beihang University（北京航空航天大学） ； AgiBot 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(title,abstract)；action model(title,abstract)；分类 cs.RO

AI总结 本文提出ACoT-VLA，通过在动作空间中直接进行推理，改进视觉-语言-动作模型的行动生成，引入显式和隐式动作推理器，实验证明其在真实和仿真环境中的优越性。

Comments Accepted by Conference on Computer Vision and Pattern Recognition (CVPR) 2026

VLA-Reasoner: Empowering Vision-Language-Action Models with Reasoning via Online Monte Carlo Tree Search

VLA-Reasoner: 通过在线蒙特卡洛树搜索增强视觉-语言-动作模型的推理能力

Wenkai Guo, Guanxing Lu, Haoyuan Deng, Zhenyu Wu, Yansong Tang, Ziwei Wang

机构 * School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； School of Intelligent Engineering and Automation, Beijing University of Posts and Telecommunications（北京邮电大学智能工程与自动化学院） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(title,abstract)；action model(title,abstract)；分类 cs.RO

AI总结 VLA-Reasoner通过在线蒙特卡洛树搜索增强视觉-语言-动作模型，提升长时间轨迹任务的推理能力与执行效率。

Comments 8 pages, 6 figures, Accepted by ICRA 2026

DAM-VLA: A Dynamic Action Model-Based Vision-Language-Action Framework for Robot Manipulation

DAM-VLA：一种基于动态动作模型的视觉-语言-动作框架，用于机器人操作

Xiongfeng Peng, Jiaqian Yu, Dingzhe Li, Yixiang Jin, Lu Xu, Yamin Mao, Chao Zhang, Weiming Li, Sujin Jang, Dongwook Lee, Daehyun Ji

机构 * Advanced Research Lab, Samsung R&D Institute China-Beijing (SRCB)（三星研发中心中国北京先进研究实验室） ； Samsung AI Center, DS Division（三星人工智能中心，DS部门） ； Hanyang University ERICA（翰洋大学ERICA） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(title,abstract)；action model(title,abstract)；分类 cs.RO

AI总结 DAM-VLA提出了一种基于动态动作模型的视觉-语言-动作框架，通过整合视觉语言模型与扩散动作模型，提升机器人在复杂任务中的操作精度和适应性。

Comments Accepted to ICRA2026

Dream-VL & Dream-VLA: Open Vision-Language and Vision-Language-Action Models with Diffusion Language Model Backbone

Dream-VL & Dream-VLA: 基于扩散语言模型的开放视觉语言和视觉语言-动作模型

Jiacheng Ye, Shansan Gong, Jiahui Gao, Junming Fan, Shuang Wu, Wei Bi, Haoli Bai, Lifeng Shang, Lingpeng Kong

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(title,abstract)；action model(title,abstract)；分类 cs.CV

AI总结 基于扩散语言模型构建的Dream-VL和Dream-VLA在视觉语言和视觉语言-动作任务中表现出色，实现了领先的性能。

Comments Add real-world experiments

TTF-VLA: Temporal Token Fusion via Pixel-Attention Integration for Vision-Language-Action Models

Chenghao Liu, Jiachen Zhang, Chengxuan Li, Zhimu Zhou, Shixin Wu, Songfang Huang, Huiling Duan

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(title,abstract)；action model(title)；分类 cs.RO、cs.CV、cs.AI

Comments Accepted to AAAI 2026. Camera-ready version

Audio-VLA: Adding Contact Audio Perception to Vision-Language-Action Model for Robotic Manipulation

Xiangyi Wei, Haotian Zhang, Xinyi Cao, Siyu Xie, Weifeng Ge, Yang Li, Changbo Wang

机构 * School of Computer Science and Technology, East China Normal University（东华师范大学计算机科学与技术学院） ； School of Data Science and Engineering, East China Normal University（东华师范大学数据科学与工程学院） ； School of Software Engineering, East China Normal University（东华师范大学软件工程学院） ； School of Computer Science, Fudan University（复旦大学计算机科学学院） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(title,abstract)；action model(title,abstract)；分类 cs.RO

IA-VLA: Input Augmentation for Vision-Language-Action models in settings with semantically complex tasks

Eric Hannus, Miika Malin, Tran Nguyen Le, Ville Kyrki

机构 * Intelligent Robotics Group at the Department of Electrical Engineering and Automation, School of Electrical Engineering, Aalto University（Aalto大学电气工程学院电气工程与自动化系智能机器人组） ； Biomimetics and Intelligent Systems Group at the Faculty of Information Technology and Electrical Engineering, University of Oulu（奥卢大学信息科技与电气工程学院仿生学与智能系统组） ； Section of Mechanical Technology at the Department of Engineering Technology and Didactics, Technical University of Denmark（丹麦技术大学工程技术与教学系机械技术部门） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(title,abstract)；action model(title,abstract)；分类 cs.RO

Comments Under review for ICRA 2026

GraphCoT-VLA: A 3D Spatial-Aware Reasoning Vision-Language-Action Model for Robotic Manipulation with Ambiguous Instructions

Helong Huang, Min Cen, Kai Tan, Xingyue Quan, Guowei Huang, Hong Zhang

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(title,abstract)；action model(title,abstract)；分类 cs.RO

Comments 10 pages, 6 figures

CoA-VLA: Improving Vision-Language-Action Models via Visual-Textual Chain-of-Affordance

Jinming Li, Yichen Zhu, Zhibin Tang, Junjie Wen, Minjie Zhu, Xiaoyu Liu, Chengmeng Li, Ran Cheng, Yaxin Peng, Yan Peng, Feifei Feng

机构 * Shanghai University（上海大学） ； Midea Group（美的集团） ； East China Normal University（华东师范大学） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(title,abstract)；action model(title)；robot foundation model(abstract)

Comments Project webpage is available at https://chain-of-affordance.github.io

Libra-VLA: Achieving Learning Equilibrium via Asynchronous Coarse-to-Fine Dual-System

Libra-VLA：通过异步粗到细双系统实现学习平衡

Yifei Wei, Linqing Zhong, Yi Liu, Yuxiang Lu, Xindong He, Maoqing Yao, Guanghui Ren

机构 * Beihang University（北航） ； AgiBot 纠错

专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 Libra-VLA通过粗到细双系统架构，解决视觉-语言-动作模型在机器人操作中语义与动作间的鸿沟问题，实现训练平衡与高效执行。

Comments Accepted to the Main Conference of ACL 2026. Project page: https://libra-vla.github.io/

VLA-Thinker: Boosting Vision-Language-Action Models through Thinking-with-Image Reasoning

VLA-Thinker: 通过图像推理增强视觉-语言-动作模型

Chaoyang Wang, Wenrui Bao, Sicheng Gao, Bingxin Xu, Yu Tian, Yogesh S. Rawat, Yunhao Ge, Yuzhang Shang

专题命中 VLA模型 ：VLA(title,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出VLA-Thinker框架，通过动态可调用的推理动作提升视觉语言动作模型的能力，通过两阶段训练流程提升操控性能，在LIBERO和RoboTwin 2.0基准上取得显著成果。

Comments We introduce VLA-Thinker, the first VLA model capable of thinking-with-image reasoning, which models visual perception as a dynamically invocable reasoning action, enabling Multimodal Embodied Chain-of-Thought

UniTexture: Cross-Task Universal Adversarial Textures for Vision-Language-Action Models

UniTexture：面向视觉-语言-动作模型的跨任务通用对抗纹理

Yukun Dai, Mingzhe Dai, Tianshi Wang, Fengling Li, Jingjing Li, Lei Zhu

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.CV、cs.AI

AI总结 该研究提出UniTexture跨任务通用对抗纹理攻击，通过单个带纹理3D物体诱导VLA动作预测偏差，在OpenVLA等模型上可显著降低任务成功率，且具备跨套件与跨模型迁移性。

Neural Introspection Gating for Adaptive KV-Cache Reuse in Vision-Language-Action Models

面向视觉-语言-动作模型的自适应KV缓存复用的神经内部门控机制

Zhijie Wu, Kento Kawaharazuka, Kei Okada

机构 * Graduate School of Information Science and Technology, The University of Tokyo（东京大学情报理工学系研究科） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.CV

AI总结 针对VLA模型视觉标记KV缓存复用未考虑模型不确定性的问题，提出轻量无训练的Gated VLA-Cache，通过监控动作标记对数几率间隔控制缓存，在LIBERO基准上恢复超100%精度并保留80%算力节省。

Comments 6 pages, 5 figures, Accepted in IROS 2026. Project Page: https://zjw4321.github.io/neural-introspection-gating-page/

Hidden in Plain Sight: Diffusion-Based Unrestricted Robotic Attacks on Vision-Language-Action Models

隐藏于明处：针对视觉-语言-动作模型的基于扩散的无约束机器人攻击

Jiahui Han, Yuhui Yao, Xin Wang, Jiafei Cao, Mingxuan Zhang, Danfeng Shan, Huiqi Deng, Guanchu Wang, Xia Hu

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.AI

AI总结 本研究提出基于扩散的无约束机器人攻击方法DURA，针对视觉-语言-动作模型生成自然对抗补丁，实验表明其性能优于现有方法，暴露了物理部署的VLA模型的安全风险。

Depth-Wise Probing and Pruning of the Planning Token in a Driving Vision-Language-Action Model

驾驶视觉-语言-动作模型中规划 token 的深度探测与剪枝

Harisankar Babu, Benjamin Coors, Christopher Lang, Hendrik Berkemeyer, Tamim Asfour, Simon Foell

机构 * Robert Bosch GmbH（罗伯特·博世有限公司） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.CV

AI总结 本文针对驾驶 VLA 模型的规划 token，通过探测其 32 个解码器层的信号并剪枝部分层，在误差小幅增加下实现 1.33 倍解码器加速，验证了规划信息早期存在但格式适配问题。

Comments Accepted at the 6th DriveX Workshop (Foundation Models for Autonomous Driving), ECCV 2026. 14 pages, 8 figures, 4 tables

TEMPO: Semantic-Action Decoupled RL Post-Training for Vision-Language-Action Models

TEMPO：面向视觉-语言-动作模型的语义-动作解耦强化学习后训练

Ziheng Liu, Quantao Yang

机构 * School of Computer Science and Technology, Zhejiang Gongshang University（浙江工商大学计算机科学与技术学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.CV

AI总结 本文提出TEMPO框架，通过解耦语义投影层与动作专家采用双时间尺度RL后训练，提升VLA模型在操作任务上的性能，在基准与真实任务中均优于现有方法。

AtlasVLA: Persistent World-Ego State Modeling for Vision-Language-Action Models

AtlasVLA：面向视觉-语言-动作模型的持久化世界-自我状态建模

Guiyu Zhao, Longteng Guo, Yanghong Mei, Zilin Zhu, Yu Zhang, Bin Cao, Mingming Yu, Xingjian He, Jie Jiang, Jing Liu

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.CV

AI总结 AtlasVLA是一种新型VLA模型框架，通过双记忆架构实现持久化世界-自我状态建模，在仅用腕部单目相机的情况下，在LIBERO等基准及真实世界长时序任务中性能超越多视图基线。

ActQuant: Sub-4-bit Action-Guided Quantization for Vision-Language-Action Models

ActQuant: 面向视觉-语言-动作模型的亚4比特动作引导量化

Arash Akbari, Arman Akbari, Masih Eskandar, Qitao Tan, Yixiao Chen, Jingwu Luo, Bertha Pangaribuan, Liyun Zhang, Jennifer Dy, Geng Yuan, Xue Lin, Gaowen Liu, Stratis Ioannidis, Yanzhi Wang

机构 * Northeastern University（东北大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.CV、cs.AI

AI总结 提出ActQuant框架，通过动作引导的混合精度后训练量化，在亚4比特权重量化下保持VLA模型性能，并引入OmniModel.cpp实现高效部署。

Latency-Tolerant Cloud-Edge Collaborative Vision-Language-Action Models via Emergent Representational Specialization

通过涌现表征专业化实现时延容忍的云边协同视觉-语言-动作模型

Daojie Peng, Fulong Ma, Bingtao Wang, Sheng Wang, Jun Ma

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.AI

AI总结 针对移动机器人VLA部署的时延冲突，提出CloudEdgeVLA云边协同策略，通过表征学习处理时间错位，在LIBERO套件上远优于基线，实现高时延下的高任务成功率。

TurboVLA: Real-Time Vision-Language-Action Model at 32 Hz on an RTX 4090 with <1 GB VRAM

TurboVLA：在RTX 4090上以32 Hz运行、显存占用<1 GB的实时视觉-语言-动作模型

Hengyi Xie, Chenfei Yao, Xianjin Wu, Xuanyang Xi, Yiping Tang, Di Xu, Yingying Zhu, Dingkang Liang, Xiang Bai, Han Ding

机构 * Huazhong University of Science and Technology（华中科技大学） ； Huawei Technologies Co. Ltd（华为技术有限公司） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.CV

AI总结 本研究提出TurboVLA，将传统VLA模型的LLM中心路径重构为视觉语言直接映射，仅0.2B参数即可在RTX 4090上实现97.7%LIBERO任务成功率，性能优于更大模型且显存占用极低。

Comments Code is available at https://github.com/H-EmbodVis/TurboVLA

Guide, Think, Act: Interactive Embodied Reasoning in Vision-Language-Action Models

引导、思考、行动：面向视觉-语言-动作模型的交互式具身推理

Yiran Ling, Qing Lian, Jinghang Li, Qing Jiang, Tianming Zhang, Xiaoke Jiang, Chuanxiu Liu, Jie Liu, Lei Zhang

机构 * Futian Laboratory（福田实验室） ； Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算机学院） ； International Digital Economy Academy (IDEA)（国际数字经济学院（IDEA）） ； School of Robotics, Hunan University（湖南大学机器人学院） ； South China University of Technology（华南理工大学） ； Visincept（Visincept公司） ； National Key Laboratory of Smart Farm Technologies and Systems（智能农业技术与系统国家重点实验室） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.CV

AI总结 本文提出GTA-VLA框架，通过允许用户用显式视觉提示引导机器人策略，实现空间可调节的具身推理。该框架整合了外部指导与内部任务规划，提升了在视觉歧义和错误恢复中的表现。

Foresight Residual RL for Long-Horizon Robot Manipulation with Vision-Language-Action Models

用于基于视觉-语言-动作模型的长时机器人操作的前瞻性残差强化学习

Yuhan Liu, Xinyu Zhang, Litao Liu, Abdeslam Boularias

机构 * Department of Computer Science, Rutgers University（罗格斯大学计算机科学系） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.LG

AI总结 研究针对长时机器人操作中VLA策略的不足，提出前瞻性残差强化学习，通过离线估计前瞻性值优化交接质量，在螺母拧紧装配任务中，该方法全任务成功率高，优于标准方法和基线，强调塑造子任务成功状态对提升长时性能的重要性。

Comments Accepted at IROS2026. Project website: https://jaysparrow.github.io/foresight-residual-rl

FoMoVLA: Bridging Visual Foresight and Motion Guidance for Vision-Language-Action Models

FoMoVLA：为视觉-语言-动作模型架起视觉预见与运动引导的桥梁

Wei Li, Peijin Jia, Yuan Ma, Xuefeng Jiang, Titong Jiang, Sheng Sun, Yujian Li, Xin Wen, Han Hong, Zhikang Liu, Bailin Li, Kun Zhan

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.CV、cs.AI

AI总结 研究针对视觉-语言-动作模型缺乏对世界动态向前预测及运动引导不足问题，提出FoMoVLA框架，联合学习未来特征预见与稀疏点跟踪增强VLA表示，经实验验证其性能先进且泛化能力强。

Comments 12 pages, 7 figures, 8 tables. Project page: https://liauto-research.github.io/FoMoVLA

See like a Robot: Robot-Centric Pointmaps for Vision-Language-Action Models

像机器人一样看：用于视觉-语言-动作模型的以机器人为中心的点图

Byungkun Lee, Dongyoon Hwang, Dongjin Kim, Hojoon Lee, Minho Park, Jaegul Choo

机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Holiday Robotics（假日机器人公司） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.AI

AI总结 研究视觉-语言-动作模型中因观察与动作定义的帧不匹配问题，提出以机器人为中心的点图方法，该方法能保留2D VLA所需网格，以最小架构变化集成到现有模型，实验证明其在模拟和实际机器人实验中表现优于基线。

Comments Project page: https://davian-robotics.github.io/pointmap/