FoveaVLA：以中央凹式观测动作替代 VLA 中的腕部相机

基于摘要分析。FoveaVLA 研究机器人操作中全局视野与局部精细视觉之间的矛盾：腕部相机能提供近距离细节，但视野受限；外部相机覆盖范围广，但输入策略模型的低分辨率图像会损失操作细节。其核心贡献是学习中央凹式观测动作，从外部相机的原始分辨率图像中提取交互区域，以替代腕部相机。 机制上，模型在预测每个动作块的同时，预测下一次策略查询需要观察的交互区域；下一次查询时，将对应的局部裁剪图与完整视图共同输入策略。该方法不是单纯提高全部视觉输入的分辨率，而是让局部高细节观测随操作过程更新。模型基于 π₀.₅，包含 Single 与 Dual 两种配置，分别使用一台或两台外部双目相机，输入包括全局及局部 RGB 与深度信息；两种配置均在 DROID 上结合 RoboInter 交互标注进行后训练。区域预测的监督形式、损失函数及裁剪参数尚未验证。 作者报告，在四组真实世界任务套件中，使用一个外部 RGB-D 视角的 FoveaVLA-Single 成功率为 70.8%，FoveaVLA-Dual 为 77.1%，配备腕部相机的 π₀.₅ 基线为 52.1%。作者报告，两种配置在普通抓取放置任务上与基线相当，在存在干扰物、布料操作及远处物体任务中提高了成功率。这些结果属于机器人操作评估，不构成 EEG 或 BCI 有效性的证据。 复现与解释结果时，需核对各任务的试验次数和成功判据、训练及评估划分、不同配置的相机与深度输入差异，以及区域预测相对固定裁剪或其他观测策略的独立贡献。实验协议、消融及统计信息尚未验证；摘要未提供代码与部署开销信息。该方法依赖空间可裁剪的高分辨率视觉输入及交互区域标注，当前材料不足以建立对 EEG 的具体机制对应，因此不提出直接迁移方案。