视觉-物理对齐

通过人类视频视觉-物理对齐的空间感知VLA预训练

Spatial-Aware VLA Pretraining through Visual-Physical Alignment from Human Videos

从大规模人类演示视频中自动抽取3D视觉与3D动作标注，作为对齐2D观测与3D空间推理的监督信号；该「视觉-物理对齐预训练」思路可迁移到任何需要从2D视觉输入推断3D动作的视觉-语言-动作模型，为视觉表征注入3D感知特征。