HuGe人形通用VLA模型预训练研究

Yang Liu等作者提出并预训练了 HuGe 系列人形通用视觉-语言-动作（VLA）模型，使用超过 2000 小时的第一视角人类与机器人数据。模型沿用三种已有代表性 VLA 架构，预测潜在运动 token 以驱动预训练全身控制器，并输出手部控制信号。 为处理人类数据与机器人本体不匹配的问题，作者在预训练阶段通过仿真回放构造伪本体感受状态，在下游微调阶段通过重渲染修改第一视角观察中的手臂外观。作者称，在 Unitree G1 上的真实实验显示，用视觉适配后的第一视角示范扩充机器人示范，能显著提高抓取放置任务的成功率。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。