跳到正文
arXiv · AI· Vaidehi Bagaria, Bijo Sebastian, Nirav Kumar Patel·· 4 天前AI 评分40

RB-VLA:基于信念中心的视觉语言动作模型架构

Recursive Belief Vision Language Action Models

AI 导读

RB-VLA 提出一种信念中心架构,通过自监督世界模型目标维护紧凑潜在状态,解决部分可观测性下的任务进度丢失问题。 该模型无需存储原始观测或随时间扩展内存,VLM 仅需每任务查询一次提供高层意图,结合信念跟踪实现因果接地控制。 在长时程基准测试中,RB-VLA 相比 pi_0 提升成功率,多阶段抓取放置任务提升 52.5%,堆叠任务提升 37.5%,推理延迟降低 5 倍。

来源:arXiv · AI · arxiv.org