InSight：通过可操控VLA实现自主技能获取

摘要

InSight框架使视觉-语言-动作模型在基本动作层面可操控，通过自动分割演示数据为带标签的基本动作，并利用VLM引导的数据飞轮自主尝试缺失技能，实现无需人工演示的自主技能获取。在模拟和真实任务中验证了其有效性。