像机器人一样看：面向视觉语言动作模型的机器人中心点图

该论文指出，VLA模型通常在相机坐标系中观察场景，却要在机器人自身三维坐标系中预测动作，由此产生跨视角泛化的坐标系错配。作者提出机器人中心点图，让每个像素存储场景点在机器人坐标系中的三维位置，同时保留二维图像网格，能够以较小架构改动接入现有VLA。在RoboCasa上，点图提升了pi0.5和SmolVLA；真实机器人实验显示，测试相机位置未见于训练时，优势进一步扩大。