Mano
PulseAugur coverage of Mano — every cluster mentioning Mano across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的DigitCode系统为肢体动作提供符号化表示
研究人员开发了DigitCode，一种新的肢体动作符号化表示方法，将连续数据分解为离散的解剖单元。该方法比以前的方法提高了四分之三的准确性，并允许对肢体姿势进行符号化操作，例如编辑或修复生成的肢体。该系统还便于将肢体动作重新定向到机器人应用中，并包含一个名为HandTok的测试平台，用于比较不同的肢体分词器。
-
HandFlow 使用流匹配实现生成式4D手部重建
研究人员开发了HandFlow，一种利用流匹配从单目视频进行改进的4D手部重建的新型生成框架。该方法通过整合时间上下文和通过生成模型处理模糊的视觉数据，解决了现有方法的局限性。在基准数据集上的实验表明，HandFlow达到了最先进的性能，在准确性和时间平滑度方面取得了显著的进步，同时实现了高重建速度。
-
新的具身人工智能系统利用自拍视频实现记忆和主动辅助
研究人员推出了新的具身人工智能系统和数据集，专注于从自拍视频中获取记忆和主动辅助。MEMORA 旨在为机器人配备具身动作记忆，通过四个记忆存储的形成、巩固和检索生命周期来改进规划和目标理解。另外，Vinci2 通过推理时间上下文来确定智能代理何时应进行干预，从而提供主动辅助，并引入了 EgoServe 基准和 EgoMemo 代理。此外，Open-AoE 为从自拍操作视频中进行具身学习提供了大规模数据集和工具链，促进了人机转移和世界建模。
-
新型HUG模型利用人类生成数据实现零样本机器人抓取
研究人员开发了HUG，一种流匹配模型，能够从单个RGB-D图像生成多样化的人类抓取。该模型利用通过智能眼镜收集的100万次人类抓取数据集，涵盖了6000多个物体实例。HUG预测由腕部平移、旋转和MANO手部姿势参数化的抓取，这些抓取可以重新定向到各种机器人手上以实现零样本抓取。在新的基准HUG-Bench上进行评估，该系统在现有最先进的抓取基线方面表现出显著的性能提升。
-
新的AVI-HT方法通过视觉-IMU融合改进3D手部追踪
研究人员开发了AVI-HT，一种新颖的3D手部追踪方法，可自适应地融合来自手套式IMU传感器和以自我为中心的摄像头的数据。该方法显著提高了精度和可用性，尤其是在视觉遮挡严重的情况下，如手与物体交互。该系统利用同步的多模态训练数据和跨传感器深度注意力机制来动态调整对视觉和IMU输入的依赖程度。