提出VLM引导Transformer-VAE生成人形机器人注视

Yuhang Hu 等研究者在arXiv预印本（arXiv:2610.19635）中提出Realistic Gaze Transformer（RGT），用于人形机器人的表达性注视动态：从机器人11自由度关节空间生成与目标相关的眼部、颈部和眼睑运动，并通过异步视觉语言模型选择场景中的指代对象。 RGT是一个Transformer-VAE，基于无标记点的人体记录数据重定向到机器人关节空间训练：自监督预训练编码近期全头运动历史，自回归微调让模型在滚动推理时接触自身预测。论文称感知自然度与开放词汇目标选择准确性仍有待受控评估。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。