PoseVLA

PoseVLA 是一个面向具身智能的通用姿态预训练框架，旨在构建可泛化的视觉-语言-动作（VLA）策略。其核心通过联合预训练视觉语言模型（VLM）与机器人动作建模，支持3D位姿估计（Omni6D/BOP等）和机器人操作动作生成，并创新性地采用共训练（co-training）机制，在同一优化步中交替处理VLM和动作数据；技术上基于HuggingFace生态，兼容DeepSpeed与Hydra，支持多节点分布式训练。适用于机器人仿真评估（如RoboTwin）、跨任务泛化动作策略学习及3D场景理解驱动的具身控制研究。