Franka Research 3
PulseAugur coverage of Franka Research 3 — every cluster mentioning Franka Research 3 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
机器人研究推出语言感知抓取重排方法
研究人员开发了LAGR,一种用于机器人任务导向抓取的新方法,该方法同时考虑物理可行性和任务适用性。该方法利用了包含268万个评分抓取注释的数据集和一个语言条件重排器来生成和评分抓取建议。实验表明,LAGR比现有方法高出9.3个百分点,并在Franka Research 3机器人上成功验证了其在现实世界任务导向抓取中的应用。
-
新的 DiVeR 方法增强了机器人 VLA 策略学习
研究人员开发了 DiVeR,一种用于改进机器人领域视觉-语言-动作 (VLA) 策略的新方法。DiVeR 专注于从轨迹中的决策关键状态进行学习,而不是同等对待所有状态。通过估计采样动作表示的离散度,DiVeR 将学习重新加权到动作选择对任务成功影响最大的状态。该方法在各种基准测试和真实机器人实验中持续提高了任务成功率,且推理开销增加极少。
-
新AI方法实现零样本任务导向的机器人抓取
研究人员开发了TGrasp6D,一种新颖的视觉语言方法,能够以零样本方式生成任务导向的6DoF抓取。该方法使用单个RGB-D图像和任务描述来推断抓取所需的语义可供性和物体几何形状。TGrasp6D在TaskGrasp数据集上实现了94%的成功率,显著优于现有基线,并在Franka Research 3机器人上进行了演示,以实现真实世界泛化。
-
机器人通过新AI框架学习高级操作和跟踪 · 跟踪10个来源
研究人员正在开发先进的方法,使机器人能够执行复杂的操作任务,重点是提高在现实世界场景中的鲁棒性和效率。几篇论文介绍了用于具身跟踪、操作策略和任务规划的新框架和技术。这些方法旨在提高机器人导航复杂环境、避免碰撞以及从有限的人类指导中学习的能力,通常利用大型语言和视觉-语言模型进行规划和执行。
-
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。