arXiv Robotics· Rongxing Ding, Hongyu Qu, Kehong Wu, Xudong Wang, Fan Zhang, Xinguang Xiang, Xiangbo Shu·· 7 小时前AI 评分31
HiFOR：面向视觉-语言-动作模型的动作引导世界定位分层预见框架
HiFOR: Hierarchical Foresight with Action-Guided World Grounding for Vision-Language-Action Model
AI 导读
HiFOR 提出分层预见框架，通过分层依赖掩码（HDM）联合预测短期状态演化、语义里程碑与最终目标状态，并用结构感知潜在世界建模按时间跨度、视角和空间维度组织未来表示。其动作引导因子化世界检索在去噪过程中根据动作表示自适应检索相关未来信息，为动作生成提供针对性引导。在两个仿真基准和六个真实机器人操作任务上的实验验证了该方法有效性。
来源：arXiv Robotics · arxiv.org