视觉前瞻

本文提出FoMoVLA框架，解决现有VLA模型缺乏显式世界动态预测的问题。通过联合优化未来特征前瞻和稀疏2D点追踪，并利用FCCA模块耦合两者，模型在LIBERO基准上达到98.8%平均成功率，在RoboCasa上优于基线9.1%。推理时无额外开销。需注意模型对固定视角训练数据的依赖及FCCA初始化的稳定性。