CVPR26 VLA主动看,暴涨31%👁
北京大学联合北京航空航天大学及北京智源人工智能研究院(BAAI),在CVPR 2026上提出了一种名为SaPaVe的新型视觉-语言-动作(VLA)框架。该框架旨在解决具身智能机器人在执行操控任务时,因视角固定或受限导致成功率低的问题。SaPaVe通过引入主动感知机制,使机器人能够像人类一样移动头部相机寻找最佳视角,从而在参数量仅为2B的情况下,显著提升了在真实世界任务中的操控表现。
01技术架构与核心方法
- 解耦动作空间设计
采用“相机运动头”与“操控动作头”分离的策略,将相机的主动运动与机器人的具体操控动作分而治之,降低了学习难度并提升了各环节的精度。 - ActiveViewPose-200K数据集
构建了包含20万条图像-语言-相机运动对的数据集,支持无需机器人演示的相机运动预训练,为模型提供了丰富的视角变化学习素材。 - 自底向上训练范式
采取先预训练相机运动能力,再联合微调操控动作的渐进式训练策略,确保模型在掌握视角调整的基础上,进一步学习精准操作。 - 3D几何感知模块
内置专门的几何感知模块,在动态视角变化下保障对空间关系的理解,从而维持操控所需的几何精度。
02实验性能对比
| 对比维度 | SaPaVe (2B) | GR00T N1 / pi0 | Gemini-2.5-Pro |
|---|---|---|---|
| 参数规模 | 2B | 未明确(较大) | 未明确(极大) |
| 真实世界任务成功率提升 | 基准 | +31.25% | - |
| 真实世界任务成功率提升 | +11.6% | - | 基准 |
| 核心技术特点 | 主动移动相机视角 | 被动感知为主 | 通用多模态能力 |
SaPaVe与主流模型在真实世界任务中的表现对比
实验结果表明,在仿真与真实环境的双重验证下,SaPaVe通过“先看清楚,再动手做”的感知策略,打破了单纯依靠扩大模型参数提升性能的常规路径。该研究证明了在具身智能领域,通过优化感知策略和几何理解能力,小参数模型也能在特定复杂任务中超越大型通用模型。
当前文章无评论,是时候发表评论了