Adapt3R：用于模仿学习域迁移的自适应三维场景表征

基于摘要分析。该研究面向机器人操作中的模仿学习（Imitation Learning，IL），针对观测分布变化导致策略性能下降的问题，提出通用三维观测编码器 Adaptive 3D Scene Representation（Adapt3R），将一个或多个 RGBD 相机的观测融合为可供不同 IL 算法使用的条件向量。 核心机制是利用预训练二维骨干网络提取场景语义，仅以三维信息定位这些语义相对于末端执行器的位置，而非主要依赖三维表征学习语义。其输入依赖 RGBD 观测与相机标定，空间参照则与机器人末端执行器有关。摘要未说明骨干网络名称、具体融合结构、损失函数及训练数据规模。 作者报告，在跨机器人本体和新相机位姿设置下，所评估的既有三维场景表征仅带来有限改善；Adapt3R 与多个被作者称为 SOTA 的多任务 IL 算法端到端训练后，能够保持其多任务学习能力，并支持向新机器人本体及新相机位姿的零样本迁移。摘要未提供任务集、机器人配置、数据划分、对照方法名称或定量指标，因此不能据此判断提升幅度及适用边界。作者还报告提供了点云观测编码器的消融与敏感性实验，但具体实验协议、消融及统计信息尚未验证。 该论文的直接贡献属于机器人视觉表征与策略迁移。其依赖的 RGBD 几何和末端执行器坐标参照并不能直接对应 EEG 的通道、被试及会话变化；现有材料不足以建立具体 BCI 迁移路径，不据此提出 EEG 复现实验。相关 EEG 工作尚未检索确认。