**AffordanceVLA：基于可供性感知理解的视觉-语言-动作模型**

_AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding_

> AffordanceVLA提出一种统一框架，通过引入结构化可供性预测作为中间表示，建立更精确鲁棒的感知-动作映射。模型包含Which2Act（物体中心定位）、Where2Act（2D交互位置估计）和How2Act（3D几何推理）三个组件，采用混合Transformer架构与三阶段渐进数据课程训练，并开发自动化数据增强管道。在仿真和真实实验中，该模型在多种操作场景下取得优异性能。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-05 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.06155)