Franka Research 3
PulseAugur coverage of Franka Research 3 — every cluster mentioning Franka Research 3 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
DiVeR 方法增强了 VLA 策略中的机器人动作选择
研究人员开发了 DiVeR，一种通过在测试时扩展中关注决策关键状态来改进视觉-语言-动作 (VLA) 策略的新方法。该方法通过将学习过程重新加权到对任务成功影响最大的动作选择状态，来解决机器人数据成本高昂的问题。DiVeR 根据采样动作表示的离散度来估计这种决策关键性，而无需逐步标注。在 LIBERO 和 RoboCasa 等模拟环境以及真实的 Franka Research 3 机器人上的实验表明，DiVeR 在最小的额外推理开销下…
-
新的基准和框架推动机器人操作推理能力发展
研究人员推出了两个新框架，以推进机器人操作能力。WatchAct 是一个旨在评估机器人推理观察到的人类行为能力的基准，它使用视频和语言指令来评估事件解析、程序推理和意图推断。相比之下，E-TTS 是一个测试时缩放框架，通过结合历史上下文和使用视觉-语言验证器的迭代优化，统一了机器人操作的推理和动作缩放。这两种方法都旨在提高机器人在复杂、长时任务中的性能，其中 E-TTS 在模拟和真实世界场景中均取得了显著的提升，且无需重新训练。
-
对象中心强化学习提升机器人策略在零样本迁移中的鲁棒性
研究人员开发了一种对象中心残差强化学习框架，以增强视觉-语言-动作（VLA）模型在真实机器人任务中的鲁棒性。该方法完全在模拟环境中训练一个纠正策略，利用对象姿态而非原始像素来克服仿真到真实世界的视觉领域差距。在 Franka Research 3 机器人上的五项操作任务中进行测试时，该方法将零样本成功率从 42% 显著提高到 76%。改进后的回放还可以用于重新训练基础 VLA 模型以实现进一步的自我改进。