CogACT：一个基础的视觉-语言-行动模型，以促进认知与机器人操作中的行动协同

本研究解决了现有视觉-语言-行动模型在机器人操作任务执行和在新环境中的通用性不足的问题。通过提出一种组件化的 VLA 架构，并设计专门的行动模块，本文显著提升了任务性能，实验结果显示在多种环境下，相比已有模型，成功率提高超过35%至55%。