G3T：通过多视图隐先验增加 VLA 空间感知能力-机器智能与先进计算教育部重点实验室、高德、西交大、深圳理工

概要：一般 VLA 采用单目 RGB 相机作为其进行动作决策的观察输入，天然存在深度信息不足的问题；而那些依赖 RGB-D 硬件或 3D 大模型提取深度信息的 VLA 方案，又面临着部署成本高，提取的几何特征噪声大、高维动作空间优化负担重等问题；该研究以此提出了感知与动作双维度协同优化的思路。感知侧借助多视图扩散隐先验补充几何信息，设计基于 Transformer 结构的门控网络结构过滤遮挡噪声；动作侧基于动作流形假设，将预测目标转为有效动作块，简化优化目标，同时兼顾精度与鲁棒性；
声明：上述声音采用AI合成，解析内容为原创；解析仅针对该文发布时，arXiv上已公开被解析论文的最新版本的内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；
链接：arxiv.org/pdf/2605.11832 ；