TECHNOLOGY · 技术
具身智能算法编辑精选
Seeker：从动作中学习注意力，提升策略学习的视觉瓶颈
新方法Seeker从动作监督中学习任务相关区域，提升机器人学习数据效率与鲁棒性，在真实机器人上成功率大幅提升。
AI 编撰 · 内容基于所列来源，重要信息请以原文为准
arXiv 论文提出 Seeker，一种任务与状态条件化的读出机制，从动作监督中学习注意力，为策略学习提供视觉瓶颈。该方法基于冻结的 DINOv3 特征，迭代更新查询以收集视觉证据，仅通过动作监督生成随任务进展变化的 ROI，无需外部空间标注。Seeker 可作为 RGB 裁剪、掩码引导背景增强和点云过滤的空间接口。在仿真在电脑里搭建虚拟世界来测试、训练机器人。成本低、速度快，但和真实世界总有差距。◆ 小白科普 · 现身与真实环境中，Seeker 相比无裁剪、增强和动作派生裁剪基线，显著提升数据效率和鲁棒性。在真实机器人实验中，Seeker 将领域内成功率从最佳基线的 48.3% 提升至 76.7%，在光照和背景变化下从 20.0% 提升至 60.0%。该研究由 Zheyu Zhuang、Ruiyu Wang 等学者完成，涉及多所机构。