VFlash联合预测视觉基元坐标
AI 总结
一篇arXiv论文提出视觉规划方法VFlash,通过Flash Primitive Decoding联合预测视觉基元的坐标,而非逐个坐标标记生成。在评测的2D和3D机器人轨迹任务中,该方法据称相较自回归解码降低了预测误差。3D点运动预测的初步单次滚动测量显示,生成速度约快25倍。以VFlash规划为条件的世界动作模型在四个MolmoSpaces任务套件中取得70.2%的平均成功率,而基线为62.6%。
深度见解
视觉规划可用于表达机器人和自动驾驶任务中的空间目标并预判运动。论文指出,自回归模型逐个坐标标记生成规划会使更丰富的预测成本日益增加;VFlash旨在降低预测误差和生成时间。
Computer Science > Robotics
arXiv:2611.08449 (cs)
[Submitted on 5 Nov 2026]
Title:VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding
Authors:Yu-Cheng Chou, Shihao Wang, Jin Huang, Chi-Pin Huang, Chiao-An Yang, Xianzhe Fan, Jing Wang, Zhiqi Li, Yuanguo Kuang, Ruijie Zheng, Johan Bjorck, Sifei Liu, Hang Su, Abhishek Badki, Lei Zhang, Alan Yuille, Linxi "Jim'' Fan, Jan Kautz, Zhiding Yu
View a PDF of the paper titled VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding, by Yu-Cheng Chou and 18 other authors