本文探讨了机器人在自主操作中实现双手协调运动的挑战，提出了一种新颖的模仿学习架构，通过手臂间协调变压器编码器提高双手合作动作的预测效率。实验结果显示，该模型在双手操控任务中具有高成功率，展现了其在政策学习中的潜力。

本研究提出了一种名为METRO的新方法，使用变压器编码器建模顶点-顶点和顶点-关节交互，并从单个图像中输出3D关节坐标和网格顶点。该方法在处理局部遮挡等情况方面更加鲁棒和有效，并在人类网格重建和野外3D手重建方面取得了最先进的结果。

本研究提出了一种名为METRO的新方法，使用变压器编码器建模顶点-顶点和顶点-关节交互，并从单个图像中输出3D关节坐标和网格顶点。该方法在处理局部遮挡等情况方面更加鲁棒和有效，并在人类网格重建和野外3D手重建方面取得了最先进的结果。

本文提出了一种简单的方法来预训练代理模型，使用高斯过程和变压器编码器的深度特征学习。该方法适用于解决具有异构输入空间的先前任务，并提供了一种混合初始化策略来加速新任务的收敛。实验结果表明，该方法在合成和真实基准问题上更加有效。