**机器人中心点图：解决VLA模型视角与动作坐标系不匹配问题**

_See like a Robot: Robot-Centric Pointmaps for Vision-Language-Action Models_

> 针对视觉-语言-动作(VLA)模型中相机观测帧与机器人动作帧不一致导致的泛化难题，研究提出“机器人中心点图”。该方法将像素存储为机器人坐标系下的3D坐标，既保留了预训练2D VLA所需的密集网格结构，又提供了精确的3D几何信息。实验表明，该方法在RoboCasa基准上显著提升了pi0.5和SmolVLA的性能，并在真实机器人实验中展现出更强的跨视角泛化能力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-20 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.11498)