EyeRobot 2.0：无需腕部相机的主动注视精确操作

受人类视觉启发，我们提出仅用单个立体相机实现细粒度双手操作的主动注视框架。EyeRobot 2.0通过旋转两个眼睛视点把注视对准场景中的3D注视点。所得图像经中央凹方式处理——给图像中心分配更多视觉token，把计算聚焦到任务相关特征。这种主动视觉固视（AVF）需要任务执行中精心协调的注视，我们分层实现：先训练以目标物体为条件的低层注视伺服策略，再训练基于任务进度发出固视目标的目标选择器。两模块都以真机数据RL训练：前者用稠密几何奖励，后者与BC夹爪策略共同训练——使其能发现类似人类固视序列的任务执行固视序列。EyeRobot 2.0进一步把夹爪信息规范化到注视相对SE(3)系，压缩动作分布的学习尺寸。我们采集7个真机与6个仿真任务的遥操作数据，进行超1000次物理与1800次仿真试验，比较EyeRobot 2.0与同数据训练的被动双目及ego+腕相机策略：去掉腕相机对标准策略代价高昂——仅被动双目真机成功从52%跌至27%；EyeRobot 2.0仅用双目闭合该差距，真机较被动双目高40%、仿真高20%；当腕视图清晰时与ego+腕相当（69%对64%），被抓物体遮挡腕相机时成功率翻倍（48%对22%）。