محققان در مقاله جدیدی، مدل نوآورانهای به نام «LEEVLA» را معرفی کردهاند که میتواند انقلابی در عملکرد مدلهای بینایی-زبانی-کنشی (VLA) ایجاد کند.
مشکل اکثر رباتهای هوشمند این است که در محیطهای پیچیده، جزئیات حیاتی را نادیده میگیرند. اما LEEVLA با استفاده از یک چارچوب «کجا-چگونه» و تکنیکهای پیشرفتهای مثل DGDP، به ربات یاد میدهد که دقیقا روی بخشهای مهم تصویر تمرکز کند و حرکت خود را با درک بهتری از محیط پیش ببرد. نتیجه؟ رباتی که در انجام وظایف واقعی بسیار دقیقتر و هوشمندتر عمل میکند.
این پیشرفت نشان میدهد که آینده رباتیک در گرو درک عمیقتر و هدفمندتر از محیطهای پویا است.
منبع: arXiv Computer Vision