对应论文
Grounded Action Model: 3D Grounding as a Foundation for Robotics
视频简介
操作策略必须知道哪些物体重要以及它们在哪里,但当前机器人基础模型所依赖的预训练主干(如VLA中的语言、WAM中的视频生成)并不直接要求这种度量级3D接地,而是依赖从示教数据中隐式学习。 GAMs提出了一种以3D接地为构建基础的机器人基础模型策略,将语言、点或盒提示统一变换为所选物体的共享物体中心表示,融合目标视觉特征和度量物体几何,并通过多流Transformer与机器人状态历史混合来预测动作块;它既可自主运行,也可作为高层规划器的低级控制器用于长时程和记忆依赖任务。 实验给出了跨仿真和真实机器人的量化结果:RoboTwin 2.0上50任务平均成功率55.3% vs. 52.0%,场景随机化下47.6% vs. 30.4%;LIBERO-PRO上61% vs. 53%;双机械臂YAM视觉偏移下17/20 vs. 4/20;与Molmo2规划器组合在Franka上达到64.7% ID和49.8% OOD步骤完成率。 这些证据表明显式3D接地可以显著提升策略的视觉鲁棒性和目标重定位泛化,并支持与高层规划器组合。限制是绝对成功率仍不算很高,真实机器人试验次数有限,且未提及代码和权重开放,因此‘新范式’的说法需要更多社区复验与跨任务扩展。