3DVLA：通过3D空间与实例理解增强视觉-语言-动作模型

Zhongyu Xia, Yousen Tang, Bingqing Wei, Yongtao Wang

摘要

该论文提出3DVLA框架，通过显式多视图一致性约束、实例估计模块和掩码自监督3D编码，解决了视觉-语言-动作模型缺乏3D场景理解的问题。该框架无需额外标注即可增强预训练模型的3D推理能力，显著提升了机器人操作任务中的空间感知与遮挡鲁棒性。

3D scene understandingvision-language-actionrobotic manipulationmulti-view consistencyself-supervised learning

MANIPULATION

📊 2 引用

Yusen Li, Ziwei Wang, Xiangye Zhu 等 12 位作者

Robotics and Computer-Integrated Manufacturing · 2026

MANIPULATION

📊 1 引用

Shaoqing Qin, Lida Zhu, Yanpeng Hao 等 10 位作者

Robotics and Computer-Integrated Manufacturing · 2026

MANIPULATION

📊 0 引用

Bo Li, Yuanbo Zhao, Huijie Xiao 等 6 位作者

Robotics and Computer-Integrated Manufacturing · 2026

MANIPULATION

📊 0 引用

Hao Li, Yuhui Yu, Rui Fu 等 6 位作者

Robotics and Computer-Integrated Manufacturing · 2026