跳到正文
热点事件持续更新

具身分类器助力冻结VLA模型跨本体迁移

1 篇报道1 个报道来源7 小时前更新

先了解这件事

AI 综述

研究人员提出一种新框架，利用轻量级具身分类器引导冻结的 $\pi_0$ 视觉-语言-动作（VLA）模型。该方法的创新之处在于无需额外演示数据或参数更新，即可实现跨本体迁移。其在 LIBERO 基准测试中将 $\pi_0$ 在目标本体上的平均成功率从 72% 提升至 80%。该成果表明，相对失败率降低 31%，证明了该方法的有效性。不过，该框架主要对弱腕部机器人有效。当面临数据缺失或动作不可行的场景时，其表现会受到一定限制。

AI 根据报道生成 · 5 小时前更新

最新进展10月19日 12:00
Embodiment-Classifier Guidance：在无演示情况下迁移冻结 VLA 模型

报道时间线

沿着报道，了解事件的不同侧面。

10月19日
  1. arXiv · ML
    Embodiment-Classifier Guidance：在无演示情况下迁移冻结 VLA 模型

    提出使用轻量级具身分类器引导冻结 $\pi_0$ 模型跨本体迁移，无需额外演示或参数更新。 在 LIBERO 基准中，该方法将 $\pi_0$ 在目标本体上的平均成功率从 72% 提升至 80%，相对失败率降低 31%。 该框架对弱腕部机器人有效，在数据缺失或动作不可行时效果受限。

本事件热度走势

可比范围当前
8
可比范围峰值
910月19日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。