1

本文讨论了一种新颖的设置，其中指令步骤以装配图的形式表示，并与来自野外视频的片段进行对齐。作者引入了一种监督对比学习方法，该方法学习将视频与装配图的细微细节对齐，由一组新颖的损失指导。他们还引入了一个新的数据集：IAW-用于宜家野外装配-包括来自不同家具装配集合的183小时视频和近8,300幅来自相关说明手册的插图，并注释了其地面真实对齐。作者在此数据集上定义了两个任务：首先，在视频片段和插图之间进行最近邻检索；其次，将指令步骤和每个视频的片段对齐。在IAW上进行的广泛实验表明，我们的方法相对于替代方案具有优越的性能。(由 New Bing 生成).

GoferBot is a novel assembly system that seamlessly integrates all sub-modules by utilising implicit semantic information purely from visual perception.