聚焦于机器人研究，提出 FuSe 方法，通过语言锚定对通用机器人策略进行微调 视觉、触觉、听觉

聚焦于机器人研究，提出 FuSe 方法，通过语言锚定对通用机器人策略进行微调，利用多模态传感器提升性能，在多种任务中表现优异，具备跨模态推理能力。

 

1. 研究背景：与世界交互需多感官协作，当前先进通用机器人策略多依赖视觉和本体感受数据训练，忽略其他模态信息。
2. 方法：FuSe 利用自然语言作为跨模态锚定，结合多模态对比损失和基于感官的语言生成损失，对视觉运动通用策略在异构传感器模态上微调。多模态对比损失最大化不同模态和场景语义间互信息；多模态生成损失通过生成网络和辅助交叉熵损失，将观察嵌入与语言指令对比学习。
3. 数据集：收集 26,866 条轨迹数据集，涵盖桌面抓取、购物袋抓取、按钮按压任务，涉及视觉、触觉、音频等多种传感器数据。
4. 实验结果：FuSe 在所有任务环境中超越基线方法，在购物袋抓取任务提升显著。还具备简单和复杂跨模态推理能力，且适用于不同通用策略架构，如 PaliGemma - based 3B - parameter VLA 模型。
5. 引用：提供 BibTeX 引用格式，方便学术引用。

<