G^3VLA：为预训练 VLA 注入相机几何先验
AI 总结
arXiv 论文提出 G^3VLA，一个相机感知的几何模块，可把已标定的相机几何结构注入预训练 VLA 模型的视觉 token 流，且不改变其动作空间或原有动作学习目标。该模块结合内参条件化的 ray embedding、投影位置编码（PRoPE）与双向跨视角融合，并以真值点图或置信度门控的 π³X 教师预测提供几何监督，从而无需深度传感器或人工几何标注。论文报告在 π0 上于 LIBERO 与 RoboCasa24 上取得一致提升，真值监督下三相机五任务 RoboTwin2.0 平均值也有改善，并在相机偏移的 LIBERO-Goal 与真机实验中提升了对未见视角的鲁棒性。
深度见解
若结果可复现，这种不改动动作空间的几何注入方式，为多相机机器人策略提供了一条较为通用的改进思路。