作者丨 Lin Sun等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 出发点&写在前面 VLA模型已成为一种很有前景的方法，能使机器人遵循语言指令并预测相应动作。然而，当前的VLA模型主要依赖2D视觉输入，忽略了3D物理世界中丰富的几 何信息，这限制了它们的空间感知能力和适应性。这里提出了GeoVLA，一种新颖的VLA框架，它有效地整合3D信息以推进机器人操作。该框架使用视觉-语言 模型（VLM）处理图像和语言指令，提取融合的视觉-语言embedding。同时，它将深度图转换为点云，并采用一种定制的点编码器（称为点embedding网络）独 立生成3D几何embedding。然后，这些生成的embedding被拼接起来，由空间感知动作专家（称为3D增强动作专家）处理，该专家结合来自不同传感器模态的信 息以生成精确的动作序列。 通过在模拟和真实世界环境中的大量实验，GeoVLA展示了卓越的性能和鲁棒性。它在LIBERO和ManiSkill2模拟 ...