G^3VLA: Thiên kiến quy nạp hình học cho các mô hình thị giác-ngôn ngữ-hành động

Đoạn trích bài viết

Các mô hình thị giác-ngôn ngữ-hành động (VLA) đã thúc đẩy nhanh chóng khả năng thao túng robot tổng quát bằng cách tận dụng tri thức ngữ nghĩa của các xương sống thị giác-ngôn ngữ tiền huấn luyện. Tuy nhiên, các biểu diễn thị giác của chúng thường dựa trên tọa độ hình ảnh 2D thay vì hình học camera đã được hiệu chuẩn.