FoveaVLA用注视动作替代腕部相机，成功率超π0.5

Bingao Chen等提出基于π0.5的VLA模型FoveaVLA，用学习到的注视动作替代腕部相机：模型在预测动作块的同时预测下次需观察的交互区域，从原始分辨率图像裁剪该区域与全景一起输入策略。在四组真实任务评测中，用一个外部RGB-D视角的FoveaVLA-Single成功率70.8%，用两个外部立体相机的FoveaVLA-Dual为77.1%，均高于配备腕部相机的π0.5的52.1%。两种配置均在DROID数据上用RoboInter交互标注后训练。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。