VLA 模型如何融合 3D 空间感知能力？

早期 VLA 多依赖固定视角的二维图像输入，在遮挡与精细操作场景下容易因视觉信息缺失而误判。2026 年以来，3D 空间感知成为 VLA 感知升级的重点方向：

1. 主动视角选择：复旦大学 2026 年 1 月提出的 ActiveVLA，根据任务需求在三维场景中选择更有利的虚拟视点，并放大关键操作区域，降低遮挡与视觉细节缺失对动作决策的影响。
2. 多尺度点云融合：法国 Inria 2026 年 5 月提出的 PointACT，通过引入多尺度三维点云，使机器人在生成动作时兼顾局部几何细节与整体空间布局，提升精细操作中的空间判断能力。
3. 三维高斯表征：南洋理工大学 2026 年 7 月提出的 VistaVLA，利用三维高斯表示将物体的语义信息与其三维位置、形状关联起来，为操作提供更完整的空间结构理解。

这些工作的共同方向，是让 VLA 从"固定视角看图"走向"三维空间感知与多模态融合对齐"，从而支撑更精细、更可靠的操作。