机器人视觉大飞跃!新模型助力 AI “看懂” 三维世界,成功率提升 31%
在机器人领域,让人工智能真正 “看懂” 三维世界一直是一个棘手的问题。传统的视觉语言模型(VLA)大多依赖机器于二维图像和文本数据训练,难以理解真实环境中的三维空间。然而,最近来自上海交通大学和剑桥大学的研究团队提人视出了一种名为 Evo-0的新型增强视觉语言动作模型,通过轻量化的方式注入3D 几何先验,使得机器人在复杂任觉大务中的空间理解能力得到了显著提升。
Evo-0模型的创新在于其利用视觉几何基础模型(VGGT),从多视角飞跃的 RGB 图像中提取出三维结构信息,并将这些信息与已有的视觉语言模型相结合。这种方法不仅避免了使用额外传感!新器或显式深度输入的需要,还显著提升了空间感知能力。在 RLBench 仿真实验中,Evo-0在五个需要精细操作的任务模型上,成功率比基线模型 pi0高出15%,并且在开放 VLA(openvla-oft)上提升了31%。
具体而言,Ev助力o-0将 VGGT 作为空间编码器,引入了通过 VGGT 提取的 t3^D token,这些 token 包含了深度上下文和 A空间关系等几何信息。通过交叉注意力融合模块,模型能够将提取的二维视觉 token 与三维 token 进行有效I 结合,提升了对空间布局和物体关系的理解能力。这种方法在保证训练效率的同时,灵活性和部署便捷性也得到了提高。
在真“看实世界的实验中,Evo-0在处理复杂空间任务时表现出色,包括目标居中放置、插孔、密集抓取等任务,均超过了懂”基线模型,平均成功率提升了28.88%。特别是在对复杂空间关系的理解和操控能力方面,Evo-0展现出显著优势 三。
综上所述,Evo-0通过巧妙的空间信息融合,为未来的通用机器人策略提供了一条新的可行路径。该研究成果不仅维世在学术界引发了广泛关注,也为机器人领域的实际应用带来了新的可能性。
论文地址:https://arxiv.o界,rg/pdf/2507.00416
- ·标签: 极兔速递 快递行业 东南亚物流 中国市场
- ·寒武纪宣布实现 DeepSeek-V4全系列模型 Day0适配并开源优化代码
- ·标签: 驭势科技 L4自动驾驶 港交所上市 香港国际机场
- ·分布式系统协调内核――Zookeeper
- ·标签: 华为 Mate80ProMax WWDC26 影石创新
- ·吴泳铭接替张勇出任阿里云代理董事长与CEO
- ·云计算核心技术Docker教程:Docker Hub将帐户转换为组织账户
- ·发芽的土豆可以吃吗有没有毒
- ·菜地蚂蚁用什么药可以杀死
- ·标签: 西部数据 WD 机械硬盘 AI基础设施
- ·Elastic 收购 Jina AI,推动开源检索与多模态 AI 技术发展
- ·腾讯混元图像3.0问鼎全球:用户真实投票力证其文生图能力
- ·工信部:一季度机器人产量激增33.2%,AI硬科技点亮智慧生活
- ·标签: 2026横琴-澳门国际数字艺术博览会 AI
- ·消息称亚马逊接近达成协议:拟90亿美元收购米高梅
- ·标签: YouTube 谷歌 尼尔・莫汉 自愿离职计划
- ·云计算开发:Python练习实例-求一个字符串的长度
- ·标签: 华为 A2A-T MWC2026 自智网络
- ·上海 AI 实验室发布 XTuner V1 训练引擎 大模型训练效率暴涨20%
- ·标签: VOLANT沃兰特 VE25-100 磊石STONE 红杉中国
- ·Facebook宣布在全球推出Instagram Reels短视频广告服务
- ·AI技术被滥用成“退款神器”,商家无奈:假图太逼真,有苦说不出
- ·云计算开发:Python内置函数-float() 函数详解
- ·标签: 小米汽车 叶航军 陈光 智驾团队
- ·日媒称:中国在人工智能领域正在超越美国
- ·标签: 美团 叮咚买菜 梁昌霖 生鲜电商
