cs.RO
PulseAugur coverage of cs.RO — every cluster mentioning cs.RO across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的有序动作分词方法增强了机器人的视觉运动策略学习
研究人员推出了一种新颖的有序动作分词（OAT）方法，用于将连续的机器人动作块离散化为有序的令牌。该方法旨在通过提供高压缩率、完全可解码性和有序令牌空间来改进视觉运动策略学习，从而增强与下游策略的兼容性。OAT 利用带有寄存器、有限标量量化和诱导排序的 Transformer 进行训练，在推理成本和动作保真度之间实现了随时可变的权衡，并在模拟和真实世界的各种策略骨干和任务中展示了强大的性能。
-
PUMA框架增强四足机器人跑酷敏捷性
研究人员开发了PUMA，一个端到端的学习框架，旨在增强四足机器人的跑酷能力。该系统集成了视觉感知和立足点先验，使机器人能够估计以自我为中心的极坐标立足点先验，以实现主动姿态适应。在模拟和真实复杂地形中的实验证明了PUMA在挑战性障碍物穿越任务中的敏捷性和鲁棒性。
-
新的过滤方法增强了GPS信号退化时无人机的安全性 · 跟踪2个来源
研究人员开发了一种新方法，用于确保小型无人机系统（sUAS）在全局导航卫星系统（GNSS）信号退化时，其学习到的分离策略的安全性。该研究评估了两种架构方法：动作过滤和观测过滤。事实证明，观测过滤的有效性显著更高，通过将最坏情况的交通状况直接呈现给策略，从而保留了策略的决策权，将近空中碰撞的发生率降低了90%。
-
新FORGE方法增强机器人功能性工具使用泛化能力
研究人员开发了一种名为FORGE（功能推理与具身执行）的新方法，以提高机器人泛化功能性工具使用的能力。FORGE通过从无动作数据中预测可泛化的关键点轨迹，然后用有限的演示将其具身化为机器人动作，从而将功能性推理与动作执行分离。该方法在七种工具的击打功能基准测试中取得了超过2倍的成功率提升，在模拟和真实世界测试中均优于最先进的针对未见过工具的方法。
-
WristMimic 框架通过手腕引导实现全身人形机器人控制
研究人员开发了 WristMimic，一个新颖的框架，通过手腕运动引导操作来控制全身人形机器人。该方法将自由体运动与富含接触的手部操作分开，使用手腕运动学目标来引导手部配置和物体交互结果。实验表明，WristMimic 的性能与依赖于完整手指姿势监督的方法相当或更优，同时还允许在不同手部实体之间进行重定向。
-
新框架利用海试数据模拟AUV机动
研究人员开发了一种新的微分复合逼近框架，用于利用海试数据对自主水下航行器（AUV）的机动进行建模。该框架联合校准多项式基分量和数据自适应分量，从而能够更准确地预测AUV行为。采用具有灵敏度感知机制的基于梯度的协同校准方法和神经网络残差分量进行预测。该系统还包含一个用于估计和补偿洋流影响的程序，以改进学习目标。使用7米AUV的海试数据进行的评估表明，与现有方法相比，轨迹和速度预测得到了改进。
-
新框架验证了海上无人机的深度单目姿态估计
一篇新的研究论文详细介绍了一个用于测试自主航行海上无人机深度单目姿态估计的硬件验证框架。该系统允许在模拟的逼真海上环境中实现完全自主的室内飞行，捕捉关键的现实世界效应，如感知延迟和计算限制。实验证明了稳定的闭环飞行，为在舰船部署前开发海上无人机自主性奠定了安全的中间步骤。
-
新的ED3R框架使用协作机器人进行更快、更节能的野火检测
一个名为ED3R的新框架已被开发用于能源感知的分布式灾难检测，特别针对野火场景。该系统实现了机器人代理与远程控制器之间的协作决策，在最小化能源消耗的同时优化野火检测置信度。ED3R通过分布式神经网络回归模型，集成了避障、自适应任务完成和预测能力等功能，与现有方法相比，取得了很高的成功率以及在能源效率和检测速度方面的显著改进。
-
机器人通过视觉和触觉反馈学习和改进策略 · 跟踪5个来源
研究人员开发了新的框架，通过推理时引导和自我改进来提高机器人策略性能。VERITAS是一个生成器-验证器框架，它使用预训练策略和视觉验证器在无需额外训练的情况下引导动作，实现了可与专家演示相媲美的性能提升。ViTaL通过在视觉数据之外整合触觉反馈来增强这一点，用于接触丰富的操作任务，显著提高了成功率。此外，Visual-OPSD和ViGOS探索了多模态大语言模型的按策略自蒸馏技术，解耦感知与推理，以改善基础行为并降低推理成本。