Franka Panda
PulseAugur coverage of Franka Panda — every cluster mentioning Franka Panda across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 GraspIT 数据集连接仿真到现实的机器人抓取
研究人员推出了 GraspIT，一个旨在通过连接仿真与现实世界应用来改进机器人抓取的新数据集。该数据集包含具有照片级逼真 RGB-D 观测和物理验证抓取质量标注的桌面场景。GraspIT 在 NVIDIA Isaac Sim 中的 Franka Panda 机器人上使用了四阶段物理滑动测试来生成连续质量分数和轨迹可达性检查，同时提供好的抓取和困难的负例。该数据集包含模拟和现实世界场景中约 316,000 个标注的 RGBD 帧集，以及…
-
新框架通过推理和物理基础增强AI具身操作 · 已追踪4个来源
研究人员开发了Guava框架，旨在通过整合高级推理与外部感知、规划和控制模块来增强AI代理的具身操作能力。该框架确定了迭代感知-推理-行动循环、语义动作抽象和多模态观察是有效具身代理的关键组成部分。Guava已证明其能够以极少量的训练数据将复杂的操作技能提炼成一个紧凑的4B开源模型，在模拟和现实世界环境中均取得了与前沿专有模型相当的性能。此外，PhysVLA框架提供了一个即插即用的解决方案，它可以在不重新训练的情况下包装现有的视觉-语…
-
能量守恒提高了模块化神经网络的鲁棒性
研究人员开发了一种新颖的方法，通过在模块边界强制执行能量守恒来提高模块化神经网络的鲁棒性。该方法确保激活能量（定义为特征向量的平方 L2 范数）在整个管道中保持恒定，从而防止误差放大。实验表明，在各种噪声条件下，这种能量守恒技术在保持准确性方面显著优于基线方法，甚至可以推广到实际的机器人应用。
-
新模块自适应机器人扭矩以实现鲁棒运动迁移
研究人员开发了一个扭矩自适应模块（TAM），以改善机器人跨不同硬件和负载的运动迁移。TAM学习调整扭矩指令，使在模拟中训练的策略能够在真实机器人上稳健执行，而无需进行广泛的再训练或领域随机化。该模块已在 Franka Panda 机器人上成功实现了零样本执行，用于推箱子和平衡等任务。
-
新的机器人策略框架从单一视频演示中学习
研究人员开发了SeeTraceAct，一个新颖的机器人策略框架，可以从单一演示视频中学习。该方法解决了现有模型在精确定位小型目标时遇到的局限性。SeeTraceAct通过预测具有可见性感知的未来末端执行器轨迹来提高性能。该框架在一个新数据集RoboCasa-DC和一个真实世界基准上进行了测试，与现有方法相比，成功率有了显著提高。
-
新可行性控制框架使机器人更安全
研究人员开发了一种名为可行性保持被动扭矩控制（VPP-TC）的新框架，用于在近距离与人类操作的机器人。该方法利用可行性理论在增强状态空间中预先计算安全集，将安全约束转化为实时可解的扭矩限制。与控制障碍函数（CBF）等先前方法相比，VPP-TC具有显著优势，因为它无需二阶导数，从而实现了更高的控制频率、更平滑的轨迹和更短的路径。
-
清华大学发布GS-Playground，实现高效具身AI仿真
清华大学AIR DISCOVER Lab的研究人员开发并开源了GS-Playground，这是一个旨在克服视觉中心具身AI训练瓶颈的新型仿真框架。该框架集成了高吞吐并行物理仿真和高保真渲染，能够为机器人提供更快、更准确的训练。关键创新包括自主研发的并行物理引擎和内存高效的批量3DGS渲染技术，显著提高了性能并降低了资源需求。这使得仿真到现实的无缝迁移成为可能，在GS-Playground中训练的策略在物理机器人上无需微调即可实现高成功率。