这种算法被被称为单次模仿学习算法（one-shot imitation learning）。 它的特点在于，人可以通过VR向机器人传达指令。只要先由人在VR中演示一遍 ...

其中S1是一个80M参数的交叉注意力（cross-attention）编码器-解码器Transformer，负责低层控制。它依赖于一个全卷积的多尺度视觉主干网络进行视觉处理，该网络完全在模拟环境中预训练初始化。