PulseAugur
中
实时 22:20:35
实体 HG-DAgger

HG-DAgger

PulseAugur coverage of HG-DAgger — every cluster mentioning HG-DAgger across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
4
90 天内 4
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 4 条
  1. TOOL · CL_348698 ·

    Meituan-Robotics-0:用于桌面操作的新型视觉-语言-动作模型

    研究人员推出 Meituan-Robotics-0 (MR0),这是一种新颖的视觉-语言-动作基础模型,专为桌面操作任务而设计。MR0 整合了海量的视觉语言样本数据集以及跨多种具身的多样化机器人轨迹数据。该模型采用独特的三个阶段训练过程,包括用于增强策略适应性的回滚机制,在 RoboTwin 2.0 等基准测试中取得了高成功率,并在现实世界的机器人应用中展示了强大的性能。

  2. TOOL · CL_310110 ·

    北大团队开发HIL-UMI,无需实体机器人即可进行机器人训练后部署

    来自北京大学和启元机器人的研究人员开发了HIL-UMI,这是一种新颖的、无需依赖实体机器人即可对具身AI模型进行训练后部署的方法。该方法解决了传统机器人训练的高成本和后勤挑战,而传统训练通常需要广泛的真实世界数据收集和干预。HIL-UMI使用一个“人在回路”系统,操作员使用手持设备执行任务,同时后台的AI模型预测动作并标记差异,仅在模型遇到困难时触发有针对性的数据收集。这大大提高了数据收集效率,并允许具身智能体的分布式、可扩展训练。

  3. RESEARCH · CL_294657 ·

    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。

  4. RESEARCH · CL_271387 ·

    新的模仿学习方法提升机器人可靠性和性能 · 追踪4个来源

    研究人员正在开发新的方法来改进机器人的模仿学习,重点是通过不完美的数据来增强可靠性和性能。Rewind-IL 通过使用时间差异估计和状态重置机制,引入了一个在线故障检测和恢复框架。Disagreement-Regularized Imitation Learning (DRIL) 将策略分歧转化为强化学习奖励,在少数演示设置中显示出显著的收益。SynIL 利用运动协同作用自动评估演示质量并为离线学习生成奖励信号,在基准数据集上表现优于…