arXiv · cs.RO官方发布· Yuri Ishitoya, Jeremy Siburian, Masashi Hamaya, Haruto Suzuki, Kuniaki Saito, Toshihiko Fukushima, Cristian C. Beltran-Hernandez, Mai Nishimura·· 2 小时前精选AI 评分70
论文 / 摘要阅读
CLAP：通过语言-动作接地实现 VLM 到 VLA 的直接适配
CLAP: Direct VLM-to-VLA Adaptation via Language-Action Grounding
AI 导读 · 根据来源整理
CLAP（Causal Language-Action Prediction）提出在每个数值动作序列前加上自然语言动作描述，让精确动作 token 预测以语言-动作规划为因果条件，从而在不修改骨干架构的情况下把预训练 VLM 直接转为 VLA，缓解动作 token 偏离语言分布的问题。2B 版本仅训练 4-5 小时即在 LIBERO 上达到 90.8%，比 VLA-0 高 14.9 个百分点，并在 LIBERO-PRO 的语言、物体和空间扰动下更稳健；消融实验将增益归因于动作接地的语言语义。
本站目前提供摘要
以上是对来源材料的中文整理，不是完整论文或全文。研究方法、数据与完整论述请到来源页面核对。
前往 arXiv · cs.RO 阅读原文 ↗来源：arXiv · cs.RO · arxiv.org