Từ pixel đến hành động: Hướng tới các chính sách thị giác-ngôn ngữ-hành động gốc

Các mô hình thị giác-ngôn ngữ-hành động thường nén thông tin cảm nhận bằng bộ mã hóa hình ảnh trước khi bắt đầu suy luận hành động. Tuy nhiên, thao tác robot thường phụ thuộc vào các tín hiệu thị giác dễ bị mất trong quá trình trừu tượng hóa, như hình học cục bộ và đường biên.