Die Fähigkeit von Robotern, Manipulationsaufgaben auf Basis natürlicher Sprachanweisungen zu verstehen und auszuführen, ist ein langfristiges Ziel in der Robotik. Die vorherrschenden Ansätze für sprachgesteuerte Manipulation verwenden 2D-Bildrepräsentationen, die Schwierigkeiten haben, mehrere Kamerasichten zu kombinieren und präzise 3D-Positionen und -Beziehungen abzuleiten. Um diese Einschränkungen zu überwinden, schlagen wir eine auf 3D-Punktwolken basierende Politik namens PolarNet für sprachgesteuerte Manipulation vor. Sie nutzt sorgfältig gestaltete Punktwolken-Eingaben, effiziente Punktwolken-Codierer und multimodale Transformer, um 3D-Punktwolken-Repräsentationen zu erlernen und diese mit Sprachanweisungen zur Aktionserkennung zu integrieren. In einer Reihe von Experimenten am RLBench-Benchmark wurde gezeigt, dass PolarNet effektiv und dateneffizient ist. Es übertrifft sowohl bei der Einzel- als auch bei der Mehrfachaufgaben-Lernmethode die besten bisher bekannten 2D- und 3D-Ansätze. Zudem erzielt es vielversprechende Ergebnisse bei Tests mit einem echten Roboter.