Управление роботом по изображениям и текстовым инструкциям остаётся одной из наиболее актуальных задач современной робототехники. Модели класса Vision-Language-Action, или VLA, уже способны решать широкий спектр задач. Однако большинство заметных результатов получено на стандартных манипуляторах: это одна роботизированная рука на неподвижном основании, с шестью или семью степенями свободы и двупалым захватом. Управление антропоморфным роботом требует решения задачи принципиально иного уровня сл…
