← 视觉 · 语言 · 动作 / 三维空间与操作

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
由粗到细的多视图动作预测RVT-2 · 原文 Fig. 2 · p.4 ↗

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。

  1. 01全局预测粗位置
  2. 02放大局部重渲染
  3. 03细化位置与旋转
RVT-2由粗到细的多视图动作预测
由粗到细的多视图动作预测

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。 来源 ↗ · 打开完整图片 ↗

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。

当前阶段三维空间与操作 ↗

空间特征、关键位姿和几何结构如何帮助操作?

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