提出HiVLA——一种以视觉定位为核心的分层具身操作框架,通过解耦高层语义规划(由VLM完成任务分解与目标框定位)和低层动作执行(由带级联交叉注意力的流匹配Diffusion Transformer实现),在保留VLM零样本推理能力的同时提升细粒度操作性能,尤其在长时序技能组合和杂乱场景中小物体操作上显著优于现有…
机构:上智院
来源:arXiv 2604.14125 | AI4Papers 论文推荐平台