vision-tactile-language-action(VTLA)モデル
画像(視覚)、触覚、言語、行動といった複数の種類の情報をまとめて扱うモデル。異なる情報源を突き合わせて、状況理解や行動選択に使う。
たとえば: 目で見た情報に、手触りや説明文を足して判断する“総合判断”に近い。
AIによる解説です。正確さは、別のAIで照合していますが、誤りが含まれる可能性があります。
この言葉が出てくる記事
- Spark-0:触覚を事前学習と運用の両方に生かすロボット操作モデル
Spark-0は、触覚を(1)事前学習時の監督信号、(2)運用時の方策入力として併用するVTLAモデルを提案する。HumanTouch(1,000時間)とSparkArenaを整備し、複数ベンチマークで高い成功率・順位を報告している。
