OmniD：基于图像的 BEV 表示的通用机器人操纵策略

视觉马达策略容易过拟合到训练数据集中，如固定摄像位置和背景。这种过拟合导致该策略在分布内场景中表现良好，但在分布外泛化场景中表现不佳。此外，现有方法也难以融合多视角信息以生成有效的 3D 表示。为解决这些问题，我们提出了 Omni-Vision Diffusion Policy (OmniD)，一个多视角融合框架，将图像观察合成统一的鸟瞰图 (BEV) 表示。我们引入基于可变形注意力的 Omni-Feature Generator (OFG)，以选择性抽象任务相关特征，同时抑制视角特定噪声和背景干扰。OmniD 在分布内、分布外和 few-shot 实验中分别相对于最佳基线模型实现了 11%、17% 和 84% 的平均提升。训练代码和仿真基准已公开：https://github.com/1mather/omnid.git。