DriftWorld
PulseAugur coverage of DriftWorld — every cluster mentioning DriftWorld across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的质量份额强调方法改进了机器人世界模型
研究人员开发了一种名为质量份额强调(Mass-Share Accentuation, MSA)的新方法,以提高机器人领域中漂移世界模型(drifting world models)的动作遵循能力。这些模型帮助机器人预测其动作对规划的影响。新的MSA技术通过在半松弛最优传输问题中将当前帧视为与记录的未来竞争的目的地,来解决现有引导方法中的目标偏差问题。该方法旨在确保随着预测误差的减小,引导作用逐渐减弱,并在Push-T、RoboMimi…
-
新的Beckmann World Models提高了动作条件预测的准确性
研究人员推出了一种新颖的动作条件世界模型学习方法——Beckmann World Models (BWM),用于在规划和策略评估中预测未来状态。BWM直接从噪声、视觉历史和动作学习到未来帧的映射,无需预训练的生成教师。该方法改编了Beckmann Transport Models的终端-映射守恒定律,并采用端点对齐训练来监督源预测,强调运动和空间结构。BWM在PushT和Robomimic Can等基准测试中展示了预测准确性和效率的显…
-
DriftWorld模型通过更快的世界建模加速机器人规划 · 跟踪2个来源
研究人员开发了DriftWorld,一种新颖的动作条件世界模型,可显著加速机器人规划。与需要迭代去噪的基于扩散的模型不同,DriftWorld使用单次前向传播生成未来帧,速度提高了17倍以上。这种速度提升允许更广泛的动作搜索和规划,从而在各种机器人操作基准测试中取得最先进的性能。DriftWorld还可以准确地模拟机器人策略,其滚动分数与地面实况高度相关。