FoveaVLA 提出以注视动作替代 VLA 模型的腕部相机

预印本摘要显示，FoveaVLA 模型通过预测下一步交互区域并从原图裁剪高分辨率细节，用注视动作替代了机械臂腕部相机。该模型基于 pi_{0.5} 构建并在 DROID 数据集上完成训练，在四项真实世界任务评测中，单视角与双视角配置分别达到 70.8% 和 77.1% 的成功率，高于配备腕部相机的基线模型（52.1%）。