› VLA-Modelle (Vision-Language-Action) fungieren als Steuerungssysteme für Roboter: Sie verbinden vortrainierte Bild-Sprach-Modelle (Vision-Language Models, VLM) mit einem Modul, das konkrete Bewegungsbefehle berechnet.
› Genau hier setzt eine aktuelle Forschungsarbeit an.
› Das grundlegende Problem bisheriger Ansätze: Verschiedene VLM-Schichten speichern sehr unterschiedliche Informationen - von lokaler visueller Geometrie bis hin zu abstrakter Semantik.
› Bisherige VLA-Architekturen wiesen jeder Schicht des Aktionsmoduls eine statische VLM-Schicht zu, ohne jegliche Flexibilität.