UniVLA 基于潜在动作的 VLA 架构
哪些公司问过
傅利叶机器人1
答案要点
- 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
- 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
- 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
- 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
- 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
- 与同名的其他 UniVLA 工作混淆,需先确认面试官所指论文
- 误以为潜在动作模型训练需要机器人动作标注
- 把潜在动作当成可直接执行的关节指令
面试官常见追问
- 潜在动作需要人工打标签吗?
- 潜在动作和直接预测机器人动作相比有什么好处?
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。