arXiv · cs.RO· Xicheng Gong·· 2 天前精选AI 评分65
视觉语言模型是机器人动作生成中的联合去噪器
Vision-Language Models Are Joint Denoisers in Robotic Action Generation
AI 导读
Xicheng Gong提出JADE方法，让视觉语言模型(VLM)与动作专家在机器人动作生成中协同去噪，而非传统方法中的静态条件限制。在RoboDojo评测中，JADE实现了12.67%的平均成功率，在π₀.₅方法中最高，与大规模预训练的VLA和WAM基础模型相当。在RoboTwin 2.0和四个现实世界双臂任务中，JADE比π₀.₅平均成功率提高20.8个百分点。
推荐理由
让视觉语言模型与动作专家协同去噪，解决了传统方法中感知与控制分离的问题，在机器人动作生成中实现了更高的成功率。
来源：arXiv · cs.RO · arxiv.org