Calvin
PulseAugur coverage of Calvin — every cluster mentioning Calvin across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
新的TOPS方法通过自适应先验增强多任务机器人操作
研究人员开发了TOPS（面向任务的先验和调度），一种用于语言条件多任务机器人操作的新颖方法。TOPS在不改变网络架构的情况下，为单个任务调整流源先验和插值调度。该方法构建多模态任务源，并根据源-目标协方差不匹配调整向专家动作的过渡速度。在LIBERO和CALVIN等基准测试上的实验显示成功率和数据效率显著提高，实际测试也证明了任务完成能力的增强。
-
机器人操作研究发现，小型模型在控制目标方面优于大型模型
一篇新的研究论文挑战了这样一种普遍假设：高质量的图像编辑能带来更好的机器人操作控制目标。研究发现，尽管 Gemini 3 Pro Image 和 GPT-Image-1.5 等大型专有模型在照片级真实感方面表现出色，但在实际机器人任务中，经过微调的小型开放模型表现更好。这是因为下游策略的成功更多地与操作依从性（选择正确的对象和最终状态）相关，而不是图像美学。
-
新的PLaCA框架通过预测未来潜在变化来增强机器人动作生成
研究人员开发了PLaCA，一个用于视觉-语言-动作（VLA）模型的新框架，旨在通过预测斑块级别的未来环境变化来改进机器人动作生成。这种方法直接建模特定图像区域的潜在变化，避免了全图像预测的计算成本和高度压缩的潜在空间的信息损失。在LIBERO-Long数据集上的实验表明，PLaCA的成功率为79.0%，比基线提高了5.0个百分点，并在CALVIN数据集上增强了序列长度，同时仅需最少的参数更新。
-
新的SpecWM框架使用频谱对齐改进世界建模
研究人员推出了一种新的世界建模框架SpecWM，该框架使用频谱表示学习来指导模型保留哪些信息。通过指定观测值之间的期望关系（通过目标相似性核），SpecWM训练编码器在其嵌入几何中重现这些关系。这种方法可以明确控制从表示中可恢复的物理量，并在OGBench Cube、OGBench Scene和CALVIN等各种基准测试中规划成功率方面显示出显著的改进。
-
GreenWAM：一个用于机器人控制和预测的统一基石模型
研究人员推出 GreenWAM，一个专为机器人设计的全新世界基石模型。该单一模型既是动作条件的世界模型，也是策略，能够跨越包括双臂机器人和人形机器人等 20 个不同的机器人家族运行。GreenWAM 在 WorldArena 1.0 的世界预测任务上表现出色，超越了现有模型，并且在 RoboTwin 2.0 等排行榜以及 LIBERO-Plus、CALVIN 和 LIBERO 等基准测试中作为策略也取得了有竞争力的结果。该模型还成功应…
-
ForeAct3D框架将机器人世界模型与计划动作相结合
研究人员开发了ForeAct3D，一个旨在提高机器人视觉-语言-动作（VLA）策略世界建模能力的新框架。与以往将未来观测独立于计划动作进行预测的方法不同，ForeAct3D将其未来世界预测与策略打算执行的具体动作相结合。该方法融入了物理约束，例如物体刚性和静态背景，以确保预测的未来状态是现实的。该框架在LIBERO和CALVIN等机器人基准测试中展示了显著的性能提升，并在实际操作任务中提高了成功率。
-
新的D2R方法利用世界模型解决机器人策略遗忘问题
研究人员开发了一种名为Dream to Remember (D2R)的新方法，以解决通用机器人策略中的灾难性遗忘问题。D2R在利用预训练的世界模型进行旧任务演练的同时，持续引导一个固定的策略学习新任务。这种方法将引导模块锚定在其先前的行为上，而无需回放缓冲区或新数据。实验表明，即使世界模型不完全准确，D2R也能显著提高顺序任务的性能，并在模拟和真实机器人平台上都显示出有效性。
-
新的RAFC方法通过可靠的未来条件化改进机器人操作
研究人员开发了一种名为可靠性感知未来条件化（RAFC）的新方法，通过使生成的未来任务视频更有用来改进机器人操作。传统方法可能会受到时间失配的阻碍，即生成的视频与机器人当前阶段不匹配，导致成功率降低。RAFC通过将时间对齐视为一个控制问题来解决这个问题，估计生成片段的可信度，并优先选择更符合机器人当前状态的假设。这种方法显著提高了成功率，即使在强制的时间失配下以及在Franka等现实世界机器人上也是如此。
-
新研究旨在提升VLA模型的泛化能力和效率
研究人员正在探索新的方法来提高机器人领域中视觉-语言-动作（VLA）模型的泛化能力。一种方法是等变反事实训练（ECT），通过训练模型使用配对演示，其中相同的指令在不同场景下需要不同的动作，来解决指令-动作绑定失败的问题。该方法在真实机器人任务的成功率方面显示出显著的改进。另一个概念VLA-Dreamer提出将世界模型集成到VLA架构中，通过在嵌入空间而非像素空间预测未来状态来提高样本效率并实现短期规划。
-
AtomicVLA框架通过原子抽象增强机器人技能学习
研究人员推出了一种名为AtomicVLA的新型框架，旨在增强机器人视觉-语言-动作（VLA）模型的能力。该系统通过实现长时域、多步骤问题解决和持续技能获取，解决了当前单一VLA模型的局限性。AtomicVLA通过技能引导专家混合（SG-MoE）方法实现这一点，该方法构建了一个可扩展的原子技能库，并通过一个路由编码器促进新技能的添加，以实现终身学习。
-
新框架推动AI世界模型在模拟和机器人领域的发展 · 跟踪8个来源
几篇研究论文介绍了用于推进世界-动作模型的新框架和模型，这对于使AI代理能够理解和与物理世界互动至关重要。World in World 为视频世界模型提供了无需训练的灵活控制接口，而 WorldAgen 则专注于通过测试时训练将这些模型适应新环境。PAN 提出了一个用于通用、可操作和长时域模拟的世界模型架构，ActionSplice 介绍了一种在交互式世界模型中进行飞行中动作编辑的方法。此外，MaP-WAM 通过将规划与执行分离来增强…
-
StreamPI框架赋予VLA模型对物理世界的时序理解能力
来自大笑机器人和香港大学的研究人员推出StreamPI，一个旨在赋予视觉-语言-动作（VLA）模型对物理世界时序理解能力的新型框架。与依赖单帧观测进行决策的传统VLA模型不同，StreamPI建立了连续的多模态时序上下文，使机器人能够记忆过去的状态，理解变化，并利用跨帧信息来增强感知和行动。这一进展使VLA模型超越了识别当前状态，能够理解正在进行的物理过程，为具身基础模型迈向连续物理智能提供了新的技术路径。
-
DFM-VLA 引入了用于机器人操作的迭代动作精炼
研究人员推出 DFM-VLA，一种利用离散流匹配迭代精炼动作令牌的新型机器人操作方法。与先前一次生成固定令牌的方法不同，DFM-VLA 对概率速度场进行建模，以动态更新整个动作序列。该系统集成了度量对齐动作分词器 (MAAT) 和两阶段解码策略，以提高预测精度。在各种数据集和实际任务上的实验证明了这种迭代精炼技术的有效性。
-
新框架利用外心数据改进内心3D手部姿态预测
研究人员开发了Exo2EgoPose，一个旨在改进内心3D手部姿态预测的新颖框架。该方法利用外心演示来指导和补偿内心视图中通常存在的有限和动态的视觉线索。通过结合双层外心重建模块和全局到局部调制模块，Exo2EgoPose重建了分层外心表示，以逐步优化内心特征，从而实现更准确的预测。在多个基准上的实验表明，与现有方法相比有了显著改进，并显示出向人机转移的潜力。
-
新的Anchor-Align方法提升VLA策略泛化能力
研究人员推出了一种名为Anchor-Align的新方法，通过解决标准行为克隆（BC）微调的问题来改进视觉-语言-动作（VLA）策略。BC微调可能会降低预训练视觉-语言模型（VLM）的泛化能力。Anchor-Align通过两个目标增强BC：视觉-语言锚定，它使用来自冻结VLM的蒸馏来保留表示；以及语言-动作对齐，它在同一观察下联合训练语言和动作预测。这种方法在真实机器人成功率以及在模拟和物理xArm7机器人上的各种扰动鲁棒性方面都显示出显著的改进。
-
新方法增强VLM到VLA的适应性以实现机器人控制 · 跟踪2个来源
两篇新的研究论文提出了将视觉语言模型（VLM）适配为机器人视觉语言动作（VLA）模型的方法。第一篇论文介绍了CLAP（因果语言-动作预测），它将自然语言描述添加到动作序列中，以在微调过程中保持VLM的能力。第二篇论文Anchor-Align使用表示锚定和语言-动作对齐来防止预训练表示被覆盖并提高泛化能力。两种方法在机器人基准测试和物理机器人测试中都显示出显著的改进。
-
ThinkProprio 整合机器人状态以提升 VLA 模型注意力和速度
研究人员开发了一种名为 ThinkProprio 的新方法，用于视觉-语言-动作 (VLA) 模型，该方法将本体感觉数据更有效地整合到决策过程中。与将状态信息视为后期条件信号的传统方法不同，ThinkProprio 将本体感觉离散化为 token，从而主动引导 VLA 模型对相关视觉信息的注意力。该方法在 CALVIN、LIBERO 和真实世界操作任务等各种基准测试中都表现出更高的性能和更低的推理延迟。
-
新基准和框架推动视频世界建模发展
研究人员推出了“ImageTime”，这是一个旨在评估图像生成模型理解和表示时间变化能力的新基准。该基准通过要求模型生成一个动作的四个有序关键状态来评估时空一致性，超越了单一图像质量指标。此外，还开发了一个名为BiWM的新框架，利用双向自回归来推进开源交互式视频世界模型，旨在提高生成质量和推理速度。另一篇论文提出了一种用于视频世界模型的“潜在空间记忆”，将场景信息直接存储在扩散潜在空间中，从而显著加快生成速度并减小内存占用。
-
新的MoLA方法将机器人视频想象与动作执行相结合
研究人员开发了一种名为MoLA（潜在动作混合）的新方法，通过更好地利用预测的未来视频帧来改进机器人操作。MoLA采用预训练的逆动力学模型混合，将这些想象的未来转化为可执行的动作。该方法捕捉各种视觉线索以推断物理上合理的动作，从而弥合了视频生成与策略执行之间的差距。在模拟和真实世界任务上的评估表明，MoLA提高了任务成功率、时间一致性和泛化能力。