← 视觉 · 语言 · 动作 / 三维空间与操作虚拟多视图到三维动作RVT · 原文 Fig. 2 · p.3 ↗
正式发表 / Vision–Language–Action
RVT
RVT: Robotic View Transformer for 3D Object Manipulation
CoRL · 2023
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
把点云从固定虚拟视角重新渲染,多视图 Transformer 预测热力图,再反投影得到三维动作。
- 01重建点云并重渲染
- 02融合多视图与语言
- 03提升热力图到三维
THE IDEA
它在解决什么
把点云从固定虚拟视角重新渲染,多视图 Transformer 预测热力图,再反投影得到三维动作。
WHY READ IT
为什么放在这条路线
展示三维操作不一定要使用昂贵体素网络,能拆解几何表示与动作预测的关系。
READ WITH A QUESTION
读的时候,留意什么
仍依赖 RGB-D、相机几何与关键帧示范;多视图渲染并不消除遮挡和深度误差。
我的阅读笔记
LOCAL NOTES笔记仅保存在当前浏览器