FoveaVLA用注视动作替代腕部相机，成功率超基线

Bingao Chen 等研究者提出 FoveaVLA 模型，用学习到的注视动作替代 VLA 中的腕部相机：在预测动作块的同时预测下次策略查询要观察的交互区域，从原始分辨率图像裁剪该区域与全景一起输入策略。该模型基于 π₀.₅ 构建 Single 与 Dual 两种配置，用一到两台外部立体相机提供全景与中央凹 RGB 及深度输入，在 DROID 上后训练。 在四套真实任务评测中，FoveaVLA-Single 用一路外部 RGB-D 视图取得 70.8% 成功率，FoveaVLA-Dual 取得 77.1%，而带腕部相机的 π₀.₅ 基线为 52.1%；两者在普通抓取放置任务上与基线持平，在有干扰物、布料操作和远距离物体任务上提升成功率。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。