G$^3$VLA: Vision-Language-Action 모델을 위한 기하학적 귀납 편향 (Geometric inductive bias)

요약

G$^3$VLA는 VLA 모델의 시각적 토큰에 카메라의 기하학적 구조를 주입하여 로봇 조작 성능을 높이는 연구입니다. 기존 액션 공간을 변경하지 않고도 내적/외적 파라미터를 활용한 모듈을 통해 다중 카메라 환경에서의 공간 인지 능력을 개선합니다.

핵심 포인트

• 카메라 인식 기하학 모듈을 통한 시각적 토큰의 구조적 개선
• 내적 조건부 레이 임베딩 및 투영 위치 인코딩(PRoPE) 도입
• 별도의 깊이 센서나 수동 주석 없이도 기하학적 감독 가능
• LIBERO, RoboCasa24 등 다양한 벤치마크에서 성능 향상 입증
• 기하학 인지 토큰이 액션 생성 경로에 직접 접근할 때 효과 극대화