Buchumschlag

LLARVA: Vision-Action Instruction Tuning Enhances Robot Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Niu, Dantong, Sharma, Yuvan, Biamby, Giscard, Quenum, Jerome, Bai, Yutong, Shi, Baifeng, Darrell, Trevor, Herzig, Roei
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Robotics Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Pre-training Auto-regressive Robotic Models with 4D Representations
von: Niu, Dantong, et al.
Veröffentlicht: (2025)

In-Context Learning Enables Robot Action Prediction in LLMs
von: Yin, Yida, et al.
Veröffentlicht: (2024)

Do What? Teaching Vision-Language-Action Models to Reject the Impossible
von: Hsieh, Wen-Han, et al.
Veröffentlicht: (2025)

Learning to Grasp Anything by Playing with Random Toys
von: Niu, Dantong, et al.
Veröffentlicht: (2025)

Mechanistic Finetuning of Vision-Language-Action Models via Few-Shot Demonstrations
von: Mitra, Chancharik, et al.
Veröffentlicht: (2025)

Visual Haystacks: A Vision-Centric Needle-In-A-Haystack Benchmark
von: Wu, Tsung-Han, et al.
Veröffentlicht: (2024)

Recursive Visual Programming
von: Ge, Jiaxin, et al.
Veröffentlicht: (2023)

From Generated Human Videos to Physically Plausible Robot Trajectories
von: Ni, James, et al.
Veröffentlicht: (2025)

LeVERB: Humanoid Whole-Body Control with Latent Vision-Language Instruction
von: Xue, Haoru, et al.
Veröffentlicht: (2025)

VLAS: Vision-Language-Action Model With Speech Instructions For Customized Robot Manipulation
von: Zhao, Wei, et al.
Veröffentlicht: (2025)

Compositional Chain-of-Thought Prompting for Large Multimodal Models
von: Mitra, Chancharik, et al.
Veröffentlicht: (2023)

Instruct2Act: From Human Instruction to Actions Sequencing and Execution via Robot Action Network for Robotic Manipulation
von: Sharma, Archit, et al.
Veröffentlicht: (2026)

Humanoid Locomotion as Next Token Prediction
von: Radosavovic, Ilija, et al.
Veröffentlicht: (2024)

DAVE: A VLM Vision Encoder for Document Understanding and Web Agents
von: Huang, Brandon, et al.
Veröffentlicht: (2025)

FineVLA: Fine-Grained Instruction Alignment for Steerable Vision-Language-Action Policies
von: Hu, Xintong, et al.
Veröffentlicht: (2026)

Navigating the Labyrinth: Evaluating LLMs' Ability to Reason About Search Problems
von: Borazjanizadeh, Nasim, et al.
Veröffentlicht: (2024)

TraveLER: A Modular Multi-LMM Agent Framework for Video Question-Answering
von: Shang, Chuyi, et al.
Veröffentlicht: (2024)

InstructVLA: Vision-Language-Action Instruction Tuning from Understanding to Manipulation
von: Yang, Shuai, et al.
Veröffentlicht: (2025)

Hi Robot: Open-Ended Instruction Following with Hierarchical Vision-Language-Action Models
von: Shi, Lucy Xiaoyang, et al.
Veröffentlicht: (2025)

Learning Humanoid Locomotion over Challenging Terrain
von: Radosavovic, Ilija, et al.
Veröffentlicht: (2024)

Multimodal Task Vectors Enable Many-Shot Multimodal In-Context Learning
von: Huang, Brandon, et al.
Veröffentlicht: (2024)

When Do We Not Need Larger Vision Models?
von: Shi, Baifeng, et al.
Veröffentlicht: (2024)

Whole-Body Conditioned Egocentric Video Prediction
von: Bai, Yutong, et al.
Veröffentlicht: (2025)

Boosting Vision-Language-Action Finetuning with Feasible Action Neighborhood Prior
von: Niu, Haochen, et al.
Veröffentlicht: (2026)

RoVer: Robot Reward Model as Test-Time Verifier for Vision-Language-Action Model
von: Dai, Mingtong, et al.
Veröffentlicht: (2025)

HARP-VLA: Human-Robot Aligned Representation Learning for Vision-Language-Action Model
von: Zhu, Xiang, et al.
Veröffentlicht: (2026)

GraphCoT-VLA: A 3D Spatial-Aware Reasoning Vision-Language-Action Model for Robotic Manipulation with Ambiguous Instructions
von: Huang, Helong, et al.
Veröffentlicht: (2025)

EgoScale: Scaling Dexterous Manipulation with Diverse Egocentric Human Data
von: Zheng, Ruijie, et al.
Veröffentlicht: (2026)

Gaze2Act: Gaze-Conditioned Vision-Language-Action Policies for Interactive Robot Manipulation
von: Zuo, Kuangji, et al.
Veröffentlicht: (2026)

CAST: Counterfactual Labels Improve Instruction Following in Vision-Language-Action Models
von: Glossop, Catherine, et al.
Veröffentlicht: (2025)

Unveiling the Potential of Vision-Language-Action Models with Open-Ended Multimodal Instructions
von: Zhao, Wei, et al.
Veröffentlicht: (2025)

LaViRA: Language-Vision-Robot Actions Translation for Zero-Shot Vision Language Navigation in Continuous Environments
von: Ding, Hongyu, et al.
Veröffentlicht: (2025)

Long-VLA: Unleashing Long-Horizon Capability of Vision Language Action Model for Robot Manipulation
von: Fan, Yiguo, et al.
Veröffentlicht: (2025)

Learning Soccer Skills for Humanoid Robots: A Progressive Perception-Action Framework
von: Kong, Jipeng, et al.
Veröffentlicht: (2026)

Enhancing Tactile-based Reinforcement Learning for Robotic Control
von: Miller, Elle, et al.
Veröffentlicht: (2025)

Cross-Hand Latent Representation for Vision-Language-Action Models
von: Jiang, Guangqi, et al.
Veröffentlicht: (2026)

StereoVLA: Enhancing Vision-Language-Action Models with Stereo Vision
von: Deng, Shengliang, et al.
Veröffentlicht: (2025)

MMaDA-VLA: Large Diffusion Vision-Language-Action Model with Unified Multi-Modal Instruction and Generation
von: Liu, Yang, et al.
Veröffentlicht: (2026)

Visualizing Thought: Conceptual Diagrams Enable Robust Planning in LMMs
von: Borazjanizadeh, Nasim, et al.
Veröffentlicht: (2025)

Latent Implicit Visual Reasoning
von: Li, Kelvin, et al.
Veröffentlicht: (2025)