一项新近发表在arXiv上的研究,调查了视觉-语言模型(VLMs)在热成像中用于人类活动理解和人机交互(HRI)时的性能。研究发现,尽管这些模型能够识别一般的活动类别,但它们在识别咳嗽或打哈欠等细粒度动作时遇到困难,经常出现幻觉事件,并产生不准确的时间线。该研究评估了包括为机器人设计的模型在内的七个VLMs,发现简单的预处理和额外的推理仅提供了有限的改进,突显了在实际机器人应用中的可靠性问题。 AI
影响 强调了当前视觉-语言模型在充满挑战的条件下进行现实世界机器人感知方面的局限性,表明需要改进细粒度动作识别和可靠性。
排序理由 该集群包含一篇详细介绍现有AI模型失效模式研究结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- embodied artificial intelligence
- Human Activity Understanding
- Human-Robot Interaction Using Affective Cues
- RGB cameras
- RGB color model
- Robots
- Thermal HRI
- vision-language model
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →