PulseAugur
中
实时 15:12:31
English(EN) Depth-Regularized JEPA World Models Learn More Transferable Representations from Real Outdoor Robot Data

新的JEPA世界模型通过深度先验提高了机器人数据的迁移性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的世界模型训练方法，特别是基于联合嵌入预测架构（JEPA）的模型，以提高它们从复杂真实世界机器人数据中学习的能力。通过在训练过程中将深度作为几何先验，并结合SIGReg正则化器（该正则化器在根据场景几何组织潜在表示的同时促进潜在多样性），模型实现了更具迁移性的表征。一个使用此方法训练的1800万参数模型在TartanGround等基准测试中，视觉里程计探测误差降低了33%，并且显著提高了惊奇检测和回滚保真度，甚至在理解与3D几何不直接相关的物理概念方面也取得了进展。 AI

影响 增强了在真实世界机器人数据上训练的世界模型的迁移性和鲁棒性，有望提高机器人在复杂环境中的自主性。

排序理由 关于训练世界模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的JEPA世界模型通过深度先验提高了机器人数据的迁移性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Usman M. Khan ·

    深度正则化JEPA世界模型从真实户外机器人数据中学习到更具迁移性的表征

    arXiv:2607.16314v1 Announce Type: cross Abstract: World models, especially based on JEPA architectures, have been shown to learn robust dynamics of various environments. However, learning from visually complex real-world data remains a challenge, especially in unpredictable outdo…

相关实体

相关话题