当摄像头长在机器人身上：视觉基础模型能预判下一秒吗？
AI工具
摘要
研究利用第一人称网球数据集，对主流视觉基础模型进行系统评估。结果显示，冻结编码器配合轻量预测头可实现可用的时空预测，球员定位误差仅0.14米，但度量深度与精细3D定位仍存在不足。此外，增加历史帧长度并未改善球轨迹预测，表明模型更倾向于“读场景”而非“算运动”。
想让机器人预判网球落点？这项研究用第一人称网球数据集给主流视觉基础模型做了系统体检：冻结编码器加轻量预测头已能实现可用的时空预测，球员定位误差仅0.14米，但度量深度和精细3D定位仍是短板。更反直觉的是，喂更长历史帧并不能改善球轨迹预测——模型在“读场景”而非“算运动”。
转载信息
原文：
当摄像头长在机器人身上：视觉基础模型能预判下一秒吗？
（2026-11-14 21:00）
作者：
yweng18
分类：
技术
0
0
172
评论 (0)
请 登录 后发表评论
暂无评论，来留下第一条评论吧