研究人员提出了一种方法来解决学习图像条件机器人策略时的视觉差距问题，通过使用自然语言描述图像作为信号来捕捉底层任务相关语义。该方法同时训练大量模拟数据和少量真实演示，并使用图像编码器作为图像表示的基础，取得了较之前的方法25至40%的性能提升。