跳到正文
arXiv · 机器人与计算机视觉· Zheyu Zhuang, Ruiyu Wang, Nick Heppert, Johannes Fabian Hahn, Abhinav Valada, Florian T. Pokorny, Danica Kragic·· 2026-10-09精选AI 评分78

Seeker:基于动作监督的学习注意力区域以优化策略训练

Attention from Action, for Action: Emergent Visual Bottlenecks for Policy Learning

AI 导读

论文提出 Seeker 方法,解决现有 ROI 接口依赖外部标签或固定裁剪导致视觉证据错位的问题。该方法从冻结的 DINOv3 特征出发,通过迭代更新查询向量,仅凭动作监督生成任务与状态感知的感兴趣区域(ROIs)。

推荐理由

提出 Seeker 方法,利用动作监督学习任务感知的注意力区域,在仿真与真实机器人上均提升了数据效率与鲁棒性。

来源:arXiv · 机器人与计算机视觉 · arxiv.org