学术前沿

VIMA: General Robot Manipulation with Multimodal Prompts

NVIDIA和Stanford联合发表的论文，提出VIMA（Vision-Language Manipulation）模型，通过多模态提示实现通用机器人操作。该模型能够处理文本、图像、视频等多种输入形式，在多个机器人操作任务上展现了强大的泛化能力，是通用机器人模型的重要探索。arXiv:2210.03094。

返回列表 新窗口打开 PDF arXiv 摘要页
论文

主体信息

NVIDIA和Stanford联合发表的论文，提出VIMA（Vision-Language Manipulation）模型，通过多模态提示实现通用机器人操作。该模型能够处理文本、图像、视频等多种输入形式，在多个机器人操作任务上展现了强大的泛化能力，是通用机器人模型的重要探索。arXiv:2210.03094。