本研究提出了一种新型多模态掩码自编码器EmbodiedMAE，旨在缩小机器人操控中训练数据与实际任务之间的领域差距。该模型通过学习RGB、深度和点云表示，在DROID-3D数据集上进行训练，实验结果显示其在70个仿真任务和20个现实任务中表现优异，展现出良好的桌面操控应用潜力。