Buchumschlag

Unified Video Action Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Shuang, Gao, Yihuai, Sadigh, Dorsa, Song, Shuran
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Robotics Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MotIF: Motion Instruction Fine-tuning
von: Hwang, Minyoung, et al.
Veröffentlicht: (2024)

Physically Grounded Vision-Language Models for Robotic Manipulation
von: Gao, Jensen, et al.
Veröffentlicht: (2023)

Unified Vision-Language-Action Model
von: Wang, Yuqi, et al.
Veröffentlicht: (2025)

Geometry-aware 4D Video Generation for Robot Manipulation
von: Liu, Zeyi, et al.
Veröffentlicht: (2025)

Uni-NaVid: A Video-based Vision-Language-Action Model for Unifying Embodied Navigation Tasks
von: Zhang, Jiazhao, et al.
Veröffentlicht: (2024)

DoughNet: A Visual Predictive Model for Topological Manipulation of Deformable Objects
von: Bauer, Dominik, et al.
Veröffentlicht: (2024)

Dreamitate: Real-World Visuomotor Policy Learning via Video Generation
von: Liang, Junbang, et al.
Veröffentlicht: (2024)

What's the Move? Hybrid Imitation Learning via Salient Points
von: Sundaresan, Priya, et al.
Veröffentlicht: (2024)

CLAP: Contrastive Latent Action Pretraining for Learning Vision-Language-Action Models from Human Videos
von: Zhang, Chubin, et al.
Veröffentlicht: (2026)

Unified Diffusion VLA: Vision-Language-Action Model via Joint Discrete Denoising Diffusion Process
von: Chen, Jiayi, et al.
Veröffentlicht: (2025)

TidyBot++: An Open-Source Holonomic Mobile Manipulator for Robot Learning
von: Wu, Jimmy, et al.
Veröffentlicht: (2024)

Unified 4D World Action Modeling from Video Priors with Asynchronous Denoising
von: Guo, Jun, et al.
Veröffentlicht: (2026)

S-VAM: Shortcut Video-Action Model by Self-Distilling Geometric and Semantic Foresight
von: Yan, Haodong, et al.
Veröffentlicht: (2026)

DriveWorld-VLA: Unified Latent-Space World Modeling with Vision-Language-Action for Autonomous Driving
von: jia, Feiyang, et al.
Veröffentlicht: (2026)

Differentiable Robot Rendering
von: Liu, Ruoshi, et al.
Veröffentlicht: (2024)

Unifying Language-Action Understanding and Generation for Autonomous Driving
von: Wang, Xinyang, et al.
Veröffentlicht: (2026)

Autoregressive Meta-Actions for Unified Controllable Trajectory Generation
von: Zhao, Jianbo, et al.
Veröffentlicht: (2025)

HybridVLA: Collaborative Diffusion and Autoregression in a Unified Vision-Language-Action Model
von: Liu, Jiaming, et al.
Veröffentlicht: (2025)

UniAct: Unified Motion Generation and Action Streaming for Humanoid Robots
von: Jiang, Nan, et al.
Veröffentlicht: (2025)

Multi-View Video Diffusion Policy: A 3D Spatio-Temporal-Aware Video Action Model
von: Li, Peiyan, et al.
Veröffentlicht: (2026)

DriveVA: Video Action Models are Zero-Shot Drivers
von: Liu, Mengmeng, et al.
Veröffentlicht: (2026)

Precise Action-to-Video Generation Through Visual Action Prompts
von: Wang, Yuang, et al.
Veröffentlicht: (2025)

SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities
von: Chen, Boyuan, et al.
Veröffentlicht: (2024)

Explore until Confident: Efficient Exploration for Embodied Question Answering
von: Ren, Allen Z., et al.
Veröffentlicht: (2024)

RoboScape-R: Unified Reward-Observation World Models for Generalizable Robotics Training via RL
von: Tang, Yinzhou, et al.
Veröffentlicht: (2025)

Video Generation with Learned Action Prior
von: Sarkar, Meenakshi, et al.
Veröffentlicht: (2024)

F1: A Vision-Language-Action Model Bridging Understanding and Generation to Actions
von: Lv, Qi, et al.
Veröffentlicht: (2025)

ContactHandover: Contact-Guided Robot-to-Human Object Handover
von: Wang, Zixi, et al.
Veröffentlicht: (2024)

PD-VLA: Accelerating Vision-Language-Action Model Integrated with Action Chunking via Parallel Decoding
von: Song, Wenxuan, et al.
Veröffentlicht: (2025)

Action Images: End-to-End Policy Learning via Multiview Video Generation
von: Zhen, Haoyu, et al.
Veröffentlicht: (2026)

RotVLA: Rotational Latent Action for Vision-Language-Action Model
von: Li, Qiwei, et al.
Veröffentlicht: (2026)

UniDriveVLA: Unifying Understanding, Perception, and Action Planning for Autonomous Driving
von: Li, Yongkang, et al.
Veröffentlicht: (2026)

Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation
von: Ding, Hongyu, et al.
Veröffentlicht: (2026)

Agentic Scene Policies: Unifying Space, Semantics, and Affordances for Robot Action
von: Morin, Sacha, et al.
Veröffentlicht: (2025)

VAG: Dual-Stream Video-Action Generation for Embodied Data Synthesis
von: Lang, Xiaolei, et al.
Veröffentlicht: (2026)

Action Draft and Verify: A Self-Verifying Framework for Vision-Language-Action Model
von: Zhao, Chen, et al.
Veröffentlicht: (2026)

Motus: A Unified Latent Action World Model
von: Bi, Hongzhe, et al.
Veröffentlicht: (2025)

AutoMoT: A Unified Vision-Language-Action Model with Asynchronous Mixture-of-Transformers for End-to-End Autonomous Driving
von: Huang, Wenhui, et al.
Veröffentlicht: (2026)

MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training
von: Yin, Zhenhan, et al.
Veröffentlicht: (2025)

DTP: A Simple yet Effective Distracting Token Pruning Framework for Vision-Language Action Models
von: Li, Chenyang, et al.
Veröffentlicht: (2026)