面试题库 › 算法 / 大模型 › UniVLA 基于潜在动作的 VLA 架构

UniVLA 基于潜在动作的 VLA 架构

难度 ★★★在 1 场真实面经中被问到 方向:算法 / 大模型考点:视觉与多模态模型

哪些公司问过

傅利叶机器人1

答案要点

  1. UniVLA 由 OpenDriveLab 提出,用任务中心的潜在动作统一不同机器人与人类视频
  2. 潜在动作模型从视频相邻帧在 DINOv2 特征空间中学习离散潜在动作,无需动作标签
  3. 引入语言条件,将任务相关动作与相机运动、背景变化等无关动态区分开
  4. 基于预训练视觉语言模型训练其预测潜在动作 token,再用轻量动作解码器映射到具体机器人动作
  5. 优势:可利用无标注视频、跨本体迁移,预训练算力需求较低

易错点

面试官常见追问

完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。

相关面试题