R3M: A Universal Visual Representation for Robot Manipulation

R3M是由NVIDIA、UC Berkeley等机构于2022年提出的通用机器人操作视觉表示学习方法。该方法通过在大规模人类视频数据集（Ego4D）上进行时间对比学习和语言对齐，学习到能够捕捉物体属性、空间关系和动作语义的视觉特征。R3M在多种机器人操作任务的下游微调中显著优于从零训练和ImageNet预训练的特征，证明了从人类视频中学习通用机器人视觉表示的可行性。arXiv:2203.12601。