arXiv cs.AI· Bingao Chen, Lihan Zha, C. Karen Liu, Guy Tevet·2026-10-23 12:00· 2 小时前AI 评分38

FoveaVLA：用注视动作取代 VLA 中的腕部相机

FoveaVLA: Foveation Actions Replace the Wrist Camera in VLAs

AI 导读

FoveaVLA 是一种 Vision-Language-Action（VLA）模型，用学习到的注视（foveation）动作取代腕部相机，在每次预测动作块时同时预测下一步需要观察的交互区域，并从原始分辨率图像中裁剪该区域供策略使用。