美国东北大学黄浩杰提出Action Map Policy（AMP），将3D动作预测转化为像素级分类问题。通过将关键点投影到多视角图像平面，模型预测每个像素成为目标关键点的概率。实验显示，AMP在机器人操作任务中成功率比Diffusion Policy和ACT提升50%-70%，推理速度达13.80ms，可实现毫米级动作精度。
今日速报 来源：AITNT 全球 AI 新闻 source:aitnt aitnt
Action Map Policy：从高维动作回归到像素分类，一种新的机器人操作学习范式
美国东北大学黄浩杰提出Action Map Policy（AMP），将3D动作预测转化为像素级分类问题。通过将关键点投影到多视角图像平面，模型预测每个像素成为目标关键点的概率。实验显示，AMP在机器人操作任务中成功率比Diffusion Policy和ACT提升50%-70%，推理速度达13.80ms，可实现毫米级动作精度。