LIBERO-Pro
PulseAugur coverage of LIBERO-Pro — every cluster mentioning LIBERO-Pro across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Zetta智能体实现机器人自进化物理智能
研究人员推出了一种名为Zetta的新型闭环具身智能体，旨在增强机器人的物理智能。Zetta能够持续进化运行时评论员和恢复技能，从而实现以动作频率进行的实时决策。该方法在LIBERO-Pro和RoboCasa等机器人基准测试中取得了最先进的性能，实现了显著的推理加速，并表明自进化智能体可以扩展可靠的物理智能。
-
Together AI 将大型语言模型与机器人连接，提高任务完成率
Together AI 开发了一个将大型语言模型与机器人策略连接的系统，使机器人能够思考和移动。该集成显著提高了机器人任务完成率，在现实世界任务中的性能从 16.7% 提高到 97.3%，在使用 LIBERO-PRO 基准的模拟中从 12.8% 提高到 53.3%。
-
新的Anchor-Align方法提升VLA策略泛化能力
研究人员推出了一种名为Anchor-Align的新方法，通过解决标准行为克隆（BC）微调的问题来改进视觉-语言-动作（VLA）策略。BC微调可能会降低预训练视觉-语言模型（VLM）的泛化能力。Anchor-Align通过两个目标增强BC：视觉-语言锚定，它使用来自冻结VLM的蒸馏来保留表示；以及语言-动作对齐，它在同一观察下联合训练语言和动作预测。这种方法在真实机器人成功率以及在模拟和物理xArm7机器人上的各种扰动鲁棒性方面都显示出显著的改进。
-
新方法增强VLM到VLA的适应性以实现机器人控制 · 跟踪2个来源
两篇新的研究论文提出了将视觉语言模型（VLM）适配为机器人视觉语言动作（VLA）模型的方法。第一篇论文介绍了CLAP（因果语言-动作预测），它将自然语言描述添加到动作序列中，以在微调过程中保持VLM的能力。第二篇论文Anchor-Align使用表示锚定和语言-动作对齐来防止预训练表示被覆盖并提高泛化能力。两种方法在机器人基准测试和物理机器人测试中都显示出显著的改进。
-
NVIDIA ASPIRE 框架使机器人能够学习和复用技能
NVIDIA 推出了 ASPIRE，一个旨在克服传统机器人编程局限性的新型机器人框架。ASPIRE 采用自学习、持续学习系统，通过存储和复用成功的技能来编写和优化机器人控制程序。该框架利用带有持久技能库的协调器-执行器架构，使机器人能够从过去的经验中学习，并将这些经验应用于新任务，从而随着时间的推移提高效率和学习速度。在模拟中，ASPIRE 在 LIBERO-Pro 基准测试的长任务上展示了 31% 的零样本性能。
-
机器人通过玩耍学习技能，提高任务表现
研究人员引入了“玩耍式自主机器人学习”（Playful Agentic Robot Learning, RATs）系统，该系统使具身智能体在执行特定任务之前，通过自我导向的玩耍来学习技能。这种方法允许智能体提出新颖的探索性任务，编写和优化代码即策略程序，并将成功的执行提炼成可重用的技能库。实验表明，在玩耍过程中学到的技能显著提高了在LIBERO-PRO和MolmoSpaces等模拟环境下游任务上的表现，优于基线方法。这些学到的技能还可…