5分钟快览-具身智能VLA

概要：只使用一台固定的全局相机，不修改 VLA 模型的主体结构，只利用机器人本身已经具备的运动学信息，从全局图像中自动裁剪出机械手附近的局部区域，让机器人获得接近腕部相机的手部精细视觉，同时降低数据采集和部署成本； 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：https://arxiv.org/pdf/2603.20668 ；

概要：VLA 的空间感知能力提升也算是业内一个研究热点了，因为大部分VLA采用的单目相机虽然能够识别物体及其语义，但缺少明确的几何信息。对于机器人来说，看出“这是一个杯子”还不够，还需要判断杯子距离机械手有多远、应该从哪个方向接近，以及夹爪是否已经准确对准目标；这项工作的核心目标，就是利用双目立体视觉，提升机器人对空间位置、物体深度和相机视角变化的感知能力； 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/2512.21970 ；

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 ；

概要：大部分传统 VLA 依赖大量人工标注轨迹，成本较高；本文提出 TAP 两阶段训练框架，先用无标注机器人自主交互数据预训练运动先验，少量标注数据对齐语言，大幅降低标注需求且环境扰动鲁棒性更强； 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/2607.02466 ；