BridgePolicy 将观测值集成到扩散模型中，实现高级机器人控制

研究人员推出了一种新颖的视觉运动策略 BridgePolicy，它将观测值直接集成到扩散过程中，以改进机器人控制。与以往将观测值视为简单条件的先前方法不同，BridgePolicy 将其嵌入随机动力学中，从而允许从信息性先验而非随机噪声开始采样。通过使用语义对齐器统一视觉和动作表示，这种方法提高了精度和可靠性，尤其是在处理异构机器人数据的任务中。在大量模拟和真实世界任务中的实验表明，BridgePolicy 的性能优于现有的生成策略。 AI

影响 通过将观测值集成到扩散模型中，提高了机器人控制的精度和可靠性。

排序理由 该集群包含一篇详细介绍视觉运动策略学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• BridgePolicy
• CatalyzeX
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• ScienceCast
• Zhaoyang Liu

• 论文
• 模型发布

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