LIBERO-Long
PulseAugur coverage of LIBERO-Long — every cluster mentioning LIBERO-Long across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
Papers with Code 推出机器人研究中心
Papers with Code 推出了一个新的专门的机器人研究页面，整合了主要的基准测试、带有代码链接的趋势论文以及开源制品。该平台旨在提供该领域的全面概述，可视化基准测试随时间的进展并指示模型可用性。该计划寻求社区对其他基准测试、任务和功能的投入，以增强其覆盖范围。
-
新框架增强轻量级机器人控制模型
研究人员开发了XS-VLA，一个新颖的两阶段框架，旨在利用轻量级视觉语言模型增强机器人控制。该框架解决了大型模型在实时应用中的局限性以及小型模型的“空间盲区”问题。XS-VLA首先将来自大型模型Qwen3-VL-4B的空间知识蒸馏到一个小型SmolVLM2-0.25B骨干网络中，以提高其空间基础能力。然后，这个增强的骨干网络会条件化一个潜在流匹配策略，该策略使用CVAE和流匹配动力学来建模复杂的动作分布。
-
新框架增强具身代理的复杂操作能力 · 跟踪2个来源
两篇新的研究论文介绍了一种使具身代理能够执行长时程操作任务的框架。Cortex 使用一种双向对齐的具身代理框架，并带有定制的规划接口，将高层视觉语言模型（VLMs）的可执行子任务计划传达给低层视觉语言动作（VLA）模型。ACE 是另一个框架，它采用零样本工作流推理来进行桌面操作，将代理推理与可执行技能以及用于适应动态环境和执行失败的多时间尺度记忆相结合。这两种方法都旨在克服当前模型在处理复杂、多步任务方面的局限性。
-
新的Foresight框架使用世界模型检测机器人操作故障
研究人员开发了Foresight，一个用于检测长时程机器人操作任务中故障的新框架。该系统利用动作条件世界模型的潜在表征和函数式共形预测来监控机器人轨迹，仅需最终任务成功或失败标签即可进行训练。Foresight已在各种模拟基准上进行了评估，并在真实机器人手臂上进行了验证，展示了其在复杂机器人操作中可靠故障监控的潜力。
-
AURA-Mem 通过动作门控系统减少机器人 AI 记忆写入
研究人员开发了 AURA-Mem，这是一种专为资源受限的边缘硬件上运行的具身 AI 代理设计的新型记忆系统。与数据中心关注的 KV 缓存不同，AURA-Mem 使用恒定大小的循环记忆体，并通过一个学习到的门控来仅在信息与下一个动作相关时才写入新信息。这种方法显著减少了记忆写入，并保持了固定的记忆占用空间，在效率上优于传统方法，同时在机器人任务上实现了可比的准确性。
-
新的VLA模型将帧压缩为单个标记，提升性能
研究人员开发了一种名为OneWM-VLA的新方法，用于视觉-语言-动作（VLA）模型，该方法优化了长时规划的视觉信息处理方式。该方法将每一帧压缩为单个语义标记，在不牺牲性能的情况下显著降低了视觉带宽。OneWM-VLA使用相对较少数量的参数在2B骨干网上进行训练，在包括MetaWorld MT50和LIBERO-Long在内的多个具有挑战性的基准测试中，成功率得到了显著提高，并在现实世界的机器人任务中显示出潜力。
-
新方法结合视觉-语言模型以实现高级机器人操作任务
研究人员开发了一个名为“交错视觉-语言推理”（IVLR）的新框架，以改进长时程机器人操作。IVLR 利用一种明确的中间表示，称为“轨迹”，该轨迹在文本子目标和视觉关键帧之间交替。这种多模态方法允许 Transformer 模型生成全局语义-几何轨迹，从而增强机器人的规划连贯性和几何基础。