【摘要】3D-VLA 方法原理详解 1. 方法想解决什么问题 传统视觉语言动作模型常见做法是： 输入当前图像和语言指令。 模型直接输出动作。 机器人按动作执行。 这种方式有一个核心缺陷：模型容易只在二维图像空间里“看起来懂了任务”，但并没有显式建立三维物理世界的状态变化。例如“把薯片袋拿出来”“关上抽屉”“ 阅读全文