G³VLA 向视觉-语言-动作模型注入多相机几何,提升机器人操作

G³VLA 通过射线嵌入（ray embeddings）与跨视角融合，把标定好的多相机几何信息注入视觉-语言-动作（VLA）模型，在不改变动作空间的前提下改进机器人操作。其两阶段训练方案先以几何教师蒸馏预训练带辅助点图头的相机感知几何模块，再结合动作损失与蒸馏损失进行全策略微调。