← 视觉 · 语言 · 动作 / 三维空间与操作由粗到细的多视图动作预测RVT-2 · 原文 Fig. 2 · p.4 ↗
正式发表 / Vision–Language–Action
RVT-2
RVT-2: Learning Precise Manipulation from Few Demonstrations
RSS · 2024
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
在 RVT 上增加由粗到细的局部重渲染,配合凸上采样和位置条件旋转预测提升精细操作。
- 01全局预测粗位置
- 02放大局部重渲染
- 03细化位置与旋转
THE IDEA
它在解决什么
在 RVT 上增加由粗到细的局部重渲染,配合凸上采样和位置条件旋转预测提升精细操作。
WHY READ IT
为什么放在这条路线
能直观看到从全局找位置到局部精定位的改进,也适合研究速度与精度的工程权衡。
READ WITH A QUESTION
读的时候,留意什么
不要把各项改进统一归因于模型变大;关注粗定位误差是否会传播到细分支。
我的阅读笔记
LOCAL NOTES笔记仅保存在当前浏览器