Vision-language-action models without wrist cameras (learned foveation)中級
FoveaVLA:手首カメラの代わりに「どこを見るか」を学習するVLAモデル
スタンフォード大とプリンストン大のプレプリントは、手首カメラを外し、固定した外部カメラの画像から拡大して見る領域を自ら選ぶロボット方策を示した。実機での成功率はカメラ1台で70.8%、2台で77.1%と、同じ基盤モデルに手首カメラを付けた場合の52.1%を上回った。
ロボティクスとフィジカルAIの最新論文と、それぞれが産業にもたらす意味。
スタンフォード大とプリンストン大のプレプリントは、手首カメラを外し、固定した外部カメラの画像から拡大して見る領域を自ら選ぶロボット方策を示した。実機での成功率はカメラ1台で70.8%、2台で77.1%と、同じ基盤モデルに手首カメラを付けた場合の52.1%を上回った。
論文は arXiv のロボティクス分野から取得しています。当社の要約が未作成の場合は、要旨の冒頭を表示します。