Huixin Xu, Ziya Yu, Peng Li · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31423 · open-access PDF
ビジョン言語アクション(VLA)モデルは、視覚感知、言語理解、アクション生成を統一することによってロボット操作の重要なパラダイムとなっています。信頼性の高い操作には、オブジェクト、エンドエフェクター、およびその空間関係の十分な観察が必要であるため、マルチビジョン入力は広く、補完的な空間情報を提供するために使用されています。しかし、私たちの実験は、既存のVLAモデルは、このようなマルチビジョン補完性を完全に利用しないことを示しています。
Machine translation (Meta M2M100); the English original follows.
Vision-language-action (VLA) models have become an important paradigm for robotic manipulation by unifying visual perception, language understanding, and action generation. Since reliable manipulation requires sufficient observation of objects, end-effectors, and their spatial relationships, multi-view inputs are widely used to provide complementary spatial information. However, our experiments show that existing VLA models do not fully exploit such multi-view complementarity. The policy tends to persistently rely on the wrist view, lacking the ability to dynamically adjust global-local view d
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31423, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange