GazeVLA：以人类注视意图学习机器人操作

GazeVLA 提出通过建模人类注视意图，从人类演示中高效学习机器人操作。作者认为注视同时编码高层任务语义并与低层动作协同耦合，据此得到可支持跨本体知识迁移的中层表征，使机器人无需机器人意图标注也能内化人类意图。推理阶段采用思维链推理范式捕捉意图与动作的协同，在仿真与真实环境中执行长时程和细粒度任务，实验显示方法持续优于基线并泛化到未见场景。该工作为 arXiv 预印本，项目页面已给出。