Buchumschlag

OmniSAT: Compact Action Token, Faster Auto Regression

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lyu, Huaihai, Chen, Chaofan, Xie, Senwei, Wang, Pengwei, Chen, Xiansheng, Zhang, Shanghang, Xu, Changsheng
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Robotics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

General Covariant Action Modeling: Constructing Generalized Manifolds via Spatio-Temporal Decoupling
von: Lyu, Huaihai, et al.
Veröffentlicht: (2026)

EgoPrompt: Prompt Learning for Egocentric Action Recognition
von: Lyu, Huaihai, et al.
Veröffentlicht: (2025)

METIS: Multi-Source Egocentric Training for Integrated Dexterous Vision-Language-Action Model
von: Fu, Yankai, et al.
Veröffentlicht: (2025)

SaPaVe: Towards Active Perception and Manipulation in Vision-Language-Action Models for Robotics
von: Liu, Mengzhen, et al.
Veröffentlicht: (2026)

RoboBrain: A Unified Brain Model for Robotic Manipulation from Abstract to Concrete
von: Ji, Yuheng, et al.
Veröffentlicht: (2025)

Robotic Programmer: Video Instructed Policy Code Generation for Robotic Manipulation
von: Xie, Senwei, et al.
Veröffentlicht: (2025)

OmniIndoor3D: Comprehensive Indoor 3D Reconstruction
von: Wei, Xiaobao, et al.
Veröffentlicht: (2025)

PRM-as-a-Judge: A Dense Evaluation Paradigm for Fine-Grained Robotic Auditing
von: Ji, Yuheng, et al.
Veröffentlicht: (2026)

GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control
von: Chen, Anthony, et al.
Veröffentlicht: (2025)

DualVLA: Building a Generalizable Embodied Agent via Partial Decoupling of Reasoning and Action
von: Fang, Zhen, et al.
Veröffentlicht: (2025)

GenH2R: Learning Generalizable Human-to-Robot Handover via Scalable Simulation, Demonstration, and Imitation
von: Wang, Zifan, et al.
Veröffentlicht: (2024)

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)

dVLA: Diffusion Vision-Language-Action Model with Multimodal Chain-of-Thought
von: Wen, Junjie, et al.
Veröffentlicht: (2025)

From Language to Locomotion: Retargeting-free Humanoid Control via Motion Latent Guidance
von: Li, Zhe, et al.
Veröffentlicht: (2025)

TLA: Tactile-Language-Action Model for Contact-Rich Manipulation
von: Hao, Peng, et al.
Veröffentlicht: (2025)

PIGEON: VLM-Driven Object Navigation via Points of Interest Selection
von: Peng, Cheng, et al.
Veröffentlicht: (2025)

Target-Oriented Object Grasping via Multimodal Human Guidance
von: Xie, Pengwei, et al.
Veröffentlicht: (2024)

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

From Pixels to Tokens: A Systematic Study of Latent Action Supervision for Vision-Language-Action Models
von: Lin, Yihan, et al.
Veröffentlicht: (2026)

Enhancing Scene Coordinate Regression with Efficient Keypoint Detection and Sequential Information
von: Xu, Kuan, et al.
Veröffentlicht: (2024)

FASTer: Toward Efficient Autoregressive Vision Language Action Modeling via Neural Action Tokenization
von: Liu, Yicheng, et al.
Veröffentlicht: (2025)

Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation
von: Li, Zaijing, et al.
Veröffentlicht: (2026)

BFA++: Hierarchical Best-Feature-Aware Token Prune for Multi-View Vision Language Action Model
von: Li, Haosheng, et al.
Veröffentlicht: (2026)

VQ-VLA: Improving Vision-Language-Action Models via Scaling Vector-Quantized Action Tokenizers
von: Wang, Yating, et al.
Veröffentlicht: (2025)

Planning in 8 Tokens: A Compact Discrete Tokenizer for Latent World Model
von: Kim, Dongwon, et al.
Veröffentlicht: (2026)

RoboTracer: Mastering Spatial Trace with Reasoning in Vision-Language Models for Robotics
von: Zhou, Enshen, et al.
Veröffentlicht: (2025)

W-PoseNet: Dense Correspondence Regularized Pixel Pair Pose Regression
von: Xu, Zelin, et al.
Veröffentlicht: (2019)

RoboMirror: Understand Before You Imitate for Video to Humanoid Locomotion
von: Li, Zhe, et al.
Veröffentlicht: (2025)

Efficient Heatmap-Guided 6-Dof Grasp Detection in Cluttered Scenes
von: Chen, Siang, et al.
Veröffentlicht: (2024)

TIGeR: Tool-Integrated Geometric Reasoning in Vision-Language Models for Robotics
von: Han, Yi, et al.
Veröffentlicht: (2025)

Faster or Stronger: Towards Flexible Visual Place Recognition via Weighted Aggregation and Token Pruning
von: Zeng, Zichao, et al.
Veröffentlicht: (2026)

Reason-RFT: Reinforcement Fine-Tuning for Visual Reasoning of Vision Language Models
von: Tan, Huajie, et al.
Veröffentlicht: (2025)

MathSticks: A Benchmark for Visual Symbolic Compositional Reasoning with Matchstick Puzzles
von: Ji, Yuheng, et al.
Veröffentlicht: (2025)

OmniShape: Zero-Shot Multi-Hypothesis Shape and Pose Estimation in the Real World
von: Liu, Katherine, et al.
Veröffentlicht: (2025)

AoE: Always-on Egocentric Human Video Collection for Embodied AI
von: Yang, Bowen, et al.
Veröffentlicht: (2026)

OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation
von: Liu, Youquan, et al.
Veröffentlicht: (2026)

VLA-Cache: Efficient Vision-Language-Action Manipulation via Adaptive Token Caching
von: Xu, Siyu, et al.
Veröffentlicht: (2025)

PointACT: Vision-Language-Action Models with Multi-Scale Point-Action Interaction
von: Chen, Shizhe, et al.
Veröffentlicht: (2026)

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

RoboRefer: Towards Spatial Referring with Reasoning in Vision-Language Models for Robotics
von: Zhou, Enshen, et al.
Veröffentlicht: (2025)