DeFM: Фонд обучения представленности робототехники
arXiv: 2601.18923v3 Тип анонсации: заменить перекрестное резюме: толстые датчики широко используются на роботоплатных платформах, и достижения в быстром смоделировании высокой глубины позволили при помощи робо-диапазонной политики подготовиться к проведению углубленных наблюдений для обеспечения надежной передачи данных от Sim до реального для выполнения широкого круга задач. Несмотря на это, обучение представленности в целях развития глубины по-прежнему недостаточно изучено по сравнению с РОГ, где крупномасштабные модели фундамента сейчас определяют состояние искусства. Для устранения этого пробела мы представляем DeFM, самоконтроляющуюся модель фундамента, которая была полностью подготовлена на глубинных изображениях для применения роботами. Используя цель самоперегонки в стиле ДИНО на кумулятивном наборе данных из 60М изображений глубины, DeFM изучает геометрические и семантичные представления, которые обобщают различные среды, задачи и датчики. Чтобы сохранить метрическую осведомленность в различных масштабах, мы внедряем новую стратегию нормализации затрат. Мы далее введем DeFM в компактные модели, пригодные для ресурсосуществляемых роботизированных систем. Когда Эва
