视觉-语言-动作模型的关系空间对齐

Chaoran Zhu提出了一种关系空间对齐方法，用于解决视觉-语言-动作(VLA)模型中直接对齐3D基础模型导致的特征坍缩问题。该方法通过关注点对关系而非点对点对齐，有效将3D空间理解注入VLA模型，在公共基准、新空间推理基准和实际操作场景中均表现出鲁棒性能和增强的空间感知能力。