RT-2:把视觉与语言直接变成机器人动作

视频加载中

视频加载中

RT-2 将动作表示为 token,让视觉语言模型直接充当机器人控制器;借助网络规模预训练,对陌生物体与任务展现更强泛化,甚至能做简单语义推理。