See like a Robot: Robot-Centric Pointmaps for Vision-Language-Action Models

• 类型：arxiv
• 标识：2607.11498
• 链接：https://arxiv.org/abs/2607.11498
• 主分类：multimodal
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：SeeR-VLA is proposed, which transforms pointmaps into a robot-centric frame with an end-effector origin and robot-base-aligned axes, and an encoder initialized from pretrained RGB weights extracts pointmap features, which are added to corresponding RGB tokens without increasing the token count.
• OpenAlex ID：W7168294455
• OpenAlex DOI：10.48550/arxiv.2607.11498
• DOI：10.48550/arxiv.2607.11498
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2607.11498
• OpenAlex更新：2026-09-03
• 待LLM分类：否
• 标题中文：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
• TLDR中文：SeeR-VLA 将点图变换到以末端执行器为原点、机器人基座轴对齐的机器人中心坐标系，并由基于预训练 RGB 权重初始化的编码器提取点图特征，将其在不增加 token 数的情况下叠加到对应的 RGB token 上。
• 来源文件：
• /inbox/tom/_candidates/2026-07-21-rag-retrieval-reranking-candidates.json
• /inbox/tom/_candidates/2026-07-21-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]