PERCEPTION
快至可动：面向低延迟机器人视觉语言模型与动作模型的时空视觉令牌融合
Junzhou Chen, Jindong Wang, Gang Zhou
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出ST-Merge框架，通过显式构建三维时空坐标并在视觉编码阶段高效融合冗余令牌，显著降低推理延迟。该方法在保持高精度空间感知的同时实现2倍推理加速，适用于机器人的实时控制场景。
关键词
visual token merginglow-latency inferencespatio-temporal fusionvision-language modelsrobotic control
相关论文
PERCEPTION
📊 22,245 引用
Artificial intelligence: a modern approach
1995
PERCEPTION
📊 14,348 引用
Are we ready for autonomous driving? The KITTI vision benchmark suite
Andreas Geiger, P Lenz, R. Urtasun
2012
PERCEPTION
开放获取📊 9,777 引用
TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems
Martı́n Abadi, Ashish Agarwal, Paul Barham 等 20 位作者
2016
PERCEPTION
📊 9,681 引用
Vision meets robotics: The KITTI dataset
Andreas Geiger, Philip Lenz, Christoph Stiller 等 4 位作者
2013