通过人类视频的视觉-物理对齐进行空间感知VLA预训练

这篇文章描述了一篇关于预训练视觉-语言-动作 (VLA) 模型的论文。核心思想是通过对齐从人类视频中提取的视觉和物理信息来提高模型对空间关系的理解。这种方法可能旨在增强模型推理动作及其空间上下文的能力。使用人类视频表明侧重于现实世界的场景和类似人类的理解。

• •侧重于改进VLA模型中的空间推理。
• •利用来自人类视频的视觉和物理信息。
• •旨在增强对动作及其空间上下文的理解。