OG-VLA는 Vision Language Action (VLA) 모델의 일반화 성능과 3D 인식 정책의 강건성을 결합한 새로운 아키텍처 및 학습 프레임워크입니다. 자연어 명령어와 다중 뷰 RGBD 관측값을 정적 근사 로봇 동작으로 매핑하는 과제를 해결합니다. 3D 인식 로봇 정책은 정밀한 로봇 조작 작업에서 최첨단 성능을 달성하지만, 보이지 않는 명령어, 장면 및 객체에 대한 일반화에는 어려움을 겪습니다. 반면 VLA는 명령어와 장면에 걸쳐 일반화에 탁월하지만 카메라와 로봇 자세 변화에 민감할 수 있습니다. 본 연구는 언어 및 비전 기반 모델에 포함된 사전 지식을 활용하여 3D 인식 키프레임 정책의 일반화를 개선합니다. OG-VLA는 다양한 뷰에서 입력 관측값을 점 구름으로 투영한 다음 표준 정사영 뷰에서 렌더링하여 입력 뷰 불변성과 입력 및 출력 공간 간의 일관성을 보장합니다. 이러한 표준 뷰는 비전 백본, 대규모 언어 모델(LLM) 및 이미지 확산 모델을 사용하여 처리되어 입력 장면에서 엔드 이펙터의 다음 위치와 방향을 인코딩하는 이미지를 생성합니다. Arnold 및 Colosseum 벤치마크에 대한 평가는 보이지 않는 환경에 대한 최첨단 일반화를 보여주며, 기존 설정에서 강력한 성능을 유지하면서 40% 이상의 상대적 개선을 달성했습니다. 또한 3~5개의 데모에서 실제 적용과 강력한 일반화를 보여줍니다. 비디오 및 리소스는 https://og-vla.github.io/ 에서 확인할 수 있습니다.
