“介绍了其在智能机器人领域的研究进展，相关专家探索了基于第一视角 RGB 图像的人体抓取动作序列自回归生成课题，提出了融合多模态信息的 Vision Transformer 架构，为解决缺乏三维模型下动作生成的精确性与物理合理性问题提供了有效方案。”