Seeker：用动作监督学习视觉注意力的机器人策略方法

Seeker研究团队提出一种从动作中学习视觉注意力的策略学习方法Seeker，在真实机器人实验中，其平均域内成功率从最佳基线的48.3%提升到76.7%，光照与背景变化下的成功率从20.0%提升到60.0%。 该方法从冻结的DINOv3特征出发，以任务与状态为条件，仅用动作监督迭代更新查询，生成随任务进度变化的ROI，用作RGB裁剪、掩码引导背景增强和点云过滤的空间接口。论文称在仿真与真实环境中，Seeker相比无裁剪、数据增强和基于动作裁剪的基线提升了数据效率与鲁棒性。

AI 根据报道生成 · 53 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。