边界框作为目标：基于神经符号规划的语言条件抓取

为使机器人有效融入家庭或工业环境，机器必须实时适应自然语言指令。尽管视觉 - 语言模型实现了零样本泛化，但现有方法往往计算繁重或需大量训练数据。本文提出 GRASP 框架，利用预训练视觉 - 语言模型将自然语言查询转化为神经符号目标状态，并通过边界框检测 pipeline 将其锚定于物理世界。该方法无需额外微调即可理解“顶层架子”等抽象空间概念。在三个难度等级的 90 次真实机器人试验中，整体成功率达 73.3%。