TIGeR：工具集成几何推理在视觉语言模型中用于机器人
机器人学
2026-03-05 v3 人工智能
计算机视觉与模式识别
摘要
视觉语言模型（VLMs）已在空间推理方面展现出惊人的能力，但它们在本质上受限于定性精度，缺乏满足实际机器人应用所需的计算精度。当前方法未能利用深度传感器和相机标定中的度量线索，反而将几何问题简化为模式识别任务，无法提供机器人操作所必需的厘米级精度。我们提出了 TIGeR（Tool-Integrated Geometric Reasoning），一种新型框架，通过外部工具生成并执行精确的几何计算，将 VLMs 从感知估计器转化为几何计算机。不尝试在神经网络内部内化复杂的几何运算，而是使模型识别几何推理需求，合成适当的计算代码，并调用专用库进行精确计算。为支持这一范式，我们引入了 TIGeR-300K，一个涵盖点变换、姿态估计和空间兼容性验证的工具调用导向数据集，包含工具调用序列和中间计算。通过结合监督微调（SFT）和强化微调（RFT）的两阶段训练流程，采用我们提出的分层奖励设计，TIGeR 在几何推理基准测试中实现最先进性能，并在实际机器人操作中实现厘米级精度。
引用
@article{arxiv.2510.07181,
title = {TIGeR: Tool-Integrated Geometric Reasoning in Vision-Language Models for Robotics},
author = {Yi Han and Enshen Zhou and Shanyu Rong and Jingkun An and Pengwei Wang and Zhongyuan Wang and Cheng Chi and Lu Sheng and Shanghang Zhang},
journal= {arXiv preprint arXiv:2510.07181},
year = {2026}
}
备注
8 pages, 6 figures