相机被碰歪,冻结的视觉-语言-动作模型就失灵:Homeward 把画面搬回训练视角,四个模型在 1,599 个相机变体上齐升
部署时第三人称相机被碰动、重装或换镜头,冻结的视觉-语言-动作模型会明显掉成功率,因为这类模型默认相机停在采集数据时的位置。Homeward 不改动模型权重,只用一帧训练视角参考图和机器人运动学模型,把现场画面重新投回训练视角:未知的相机参数与静态场景深度由单目三维基础模型估计,已知的机械臂则由关节状态直接渲染。在 LIBERO-Plus 全部 1,599 个相机变体上,OpenVLA-OFT、π0、π0.5 与 OpenVLA 的成功率分别从 62.5%、76.5%、68.0%、3.6% 升到 77.6%、95.1%、91.2%、26.4%。