Allegro Hand
PulseAugur coverage of Allegro Hand — every cluster mentioning Allegro Hand across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
DexMani框架提升机器人手部物体旋转的灵活性
研究人员开发了DexMani，一个旨在提高机器人手部灵巧物体旋转能力的新框架。该系统将人类演示数据转移到强化学习中进行指导，重点关注接触转换如何影响手部继续旋转的能力。DexMani在Shadow Hand、Allegro Hand和LEAP Hand等多种机器人手上都表现出高成功率，优于现有方法并产生更平滑的运动。
-
新型AI模型生成具有力预测的灵巧机器人抓取
研究人员开发了EquiDexFlow，这是一种新颖的SE(3)-等变流匹配模型，旨在为机器人手生成灵巧抓取。与将接触力视为次要验证步骤的先前方法不同，EquiDexFlow将腕部姿态、关节角度、指尖接触、表面法线和接触力的预测直接集成到模型中。这种方法确保了预测的抓取不仅在运动学上是合理的，而且在物理上是稳定的，通过构建满足接触力条件和摩擦约束。该模型在模拟和物理硬件上都表现出强大的性能，成功实现了开环抓取并保持试验。
-
VERA：将视频模型转化为通用机器人策略
研究人员开发了一种名为VERA（Video-to-Embodied Robot Action Model）的新方法，该方法利用现有的视频生成模型来控制机器人。VERA将视频规划器与特定于具身的反向动力学模型（IDM）解耦，而不是用带动作标签的数据对整个视频模型进行微调。这种方法使得视频规划器可以保持具身无关且可互换，而IDM则可以用自玩数据进行高效训练。VERA在模拟和现实世界的机器人任务中表现出色，包括使用Panda机械臂进行零样本…
-
SECOND-Grasp框架使机器人获得语义抓取控制能力
研究人员开发了SECOND-Grasp，一个统一物理稳定性和语义理解以实现灵巧机器人抓取的创新框架。该系统利用视觉语言推理提出初始接触点，然后通过语义-几何一致性细化过程来完善这些预测，以确保跨多个视点的可行性。这种方法显著提高了抓取成功率，在已知物体上达到98.2%，在未知物体上达到97.7%，同时还增强了意图感知抓取能力。