内容摘要
视觉—语言—动作（VLA）策略容易依赖训练时的相机视角，换到未见视角后性能下降；增加实体相机又成本较高、覆盖有限。作者提出InfiNoVA，用同步多相机演示生成密集、几何一致的训练视图。
方法以五台相机记录操作轨迹，利用InstantSplat++逐时刻重建三维高斯表示，再从虚拟相机位姿渲染新视图，保留原始语言指令与动作标签。增强在数据层完成，不改策略架构，推理时无需重建模块。实验采用SO-101机械臂与SmolVLA，覆盖拾放、清扫、分类和堆叠四项任务，每项采集70条演示。
作者报告，在相同随机视角评测协议下，各结果进行100次执行，InfiNoVA四任务平均成功率为40.5%，VISTA增强和未增强策略均为7.5%。另在仅针对拾放任务的100次测试中，直接使用五个实体相机视图训练的成功率为24%，InfiNoVA为40%。这些结果支持受控条件下的视角鲁棒性改善，不能外推为跨本体或通用操作能力。
点评
提供了一条不改策略架构、通过保持状态—动作对应关系的几何视角增强改善相机鲁棒性的数据路线。
证据为作者论文实验，应按作者报告解读，不作独立复现结论。研究限于单一机器人平台、SmolVLA和四项受控任务；超出已观测工作空间的视角、其他本体与长时程任务仍待验证，逐时刻离线重建的扩展性也待改进。
版本与核查范围
版本 2609.27734v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#abstract1.1；#S3.SS4.p1.1；#S3.SS2.p2.1；#S3.SS3.p4.1；#S3.SS4.p1.1；#S3.SS4.p3.1；#S4.SS6.p1.1；#S4.SS6.p2.1；#S4.SS6.p3.1；#S4.SS7.p1.1；#S5.p2.1