RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control

Google DeepMind发表的论文，提出RT-2（Robotics Transformer 2），通过视觉-语言-动作（VLA）模型将网络知识迁移到机器人控制。该方法在大规模网络数据和机器人数据上联合训练，能够执行新的指令和任务，展现了强大的泛化能力，是VLA模型领域的里程碑式进展。arXiv:2307.15818。