← 视觉 · 语言 · 动作 / 动作分布与效率

正式发表 / Vision–Language–Action

BeT

Behavior Transformers: Cloning $k$ modes with one stone

NeurIPS · 2022CCF A

快照 2026-10-28 · 引用:Semantic Scholar / arXiv 关联记录 · 代码核验依据 ↗

关键框架 FRAMEWORK
动作分箱、残差训练与执行NeurIPS 2022 · Fig. 3 · p.4 ↗

先把连续动作分成离散中心与残差,Transformer 同时预测动作类别和偏移,从多峰示范中采样行为。

  1. 01聚类动作中心
  2. 02预测类别和偏移
  3. 03还原连续动作
BeT动作分箱、残差训练与执行
动作分箱、残差训练与执行

先把连续动作分成离散中心与残差,Transformer 同时预测动作类别和偏移,从多峰示范中采样行为。 来源 ↗ · 打开完整图片 ↗

THE IDEA

它在解决什么

先把连续动作分成离散中心与残差,Transformer 同时预测动作类别和偏移,从多峰示范中采样行为。

WHY READ IT

为什么放在这条路线

补足直接回归与生成策略之间的动作表示路线;VQ-BeT 随后用学习式潜量化替代固定 k-means 分箱。

当前阶段动作分布与效率 ↗

能量、量化、扩散与流匹配如何生成动作?

READ WITH A QUESTION

读的时候,留意什么

聚类数和动作维度会影响表示质量,分箱不是天然语义技能划分。

我的阅读笔记

LOCAL NOTES
笔记仅保存在当前浏览器