PulseAugur
中
实时 19:03:09
实体 MuJoCo

MuJoCo

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

Show in brief
总计 · 30天
25
90 天内 90
发布 · 30天
0
90 天内 0
论文 · 30天
21
90 天内 72
层级分布 · 90 天
主题
关系
情绪 · 30 天

12 天有情绪数据

最近 · 第 1/5 页 · 共 96 条
  1. TOOL · CL_366386 ·

    HOForce系统从单视图视频中重建手部-物体交互力

    研究人员开发了HOForce,一个能够从单个RGB-D视频中重建手部和物体运动以及交互力的创新系统。该方法解决了单视图捕捉中遮挡带来的挑战,并通过整合从重建力中获得的姿态约束来改进运动跟踪。HOForce在基准数据集上展示了优于现有基线的手部-物体运动跟踪精度和更少的穿透,同时显著提高了法向力平均绝对误差。

  2. TOOL · CL_366183 ·

    新的MINT方法通过跟踪轨迹相遇时间来改进离轨强化学习

    研究人员引入了MINT(Meeting-time Indicators for Truncation,相遇时间截断指示器),一种用于离轨强化学习的新方法,解决了多步方法中方差控制和信号传播之间的权衡问题。MINT用一个二元指示器替换了传统的迹系数乘积,该指示器在耦合的行为和目标轨迹首次相遇时发出信号,旨在将方差限制在相遇时间内。这种方法不需要转移模型或混合时间估计,在MuJoCo、DeepMind Control、Atari 100k…

  3. TOOL · CL_364377 ·

    新的CURE技术提高了AI世界模型的决策能力

    研究人员开发了一种名为CURE(Certify, Upweight, Rollout, Explore)的新技术,以解决世界模型生成看似合理的视频但在规划任务中做出糟糕决策的问题。CURE评估世界模型在规划方面的可信度,并建议采取诸如增加训练数据权重、生成更多样本或在支持不足的区域收集新数据等措施。在模拟物理、机械臂控制和语言-表格任务上的实验表明,CURE信任的决策比它不信任的决策的遗憾值显著更低,并且视频感知质量并不是良好决策的可靠指标。

  4. RESEARCH · CL_365560 ·

    新的模拟工具增强机器人学习的泛化能力和审计

    研究人员开发了WorldComposer,一个生成框架,可将真实世界的场景映射到高保真模拟中,用于机器人学习。该系统通过改变模拟环境中的元素来合成各种“数字表亲”,从而实现更具泛化能力的机器人策略。另外,一项研究审计了ANYmal D四足机器人的Robotic World Model (RWM),发现虽然一步预测可能具有误导性,但集成不一致性和特定的错误检查可以有效地对机器人学习的模拟器性能进行排名。

  5. TOOL · CL_363838 ·

    ForceHarness 使冷冻AI模型能够利用力反馈控制机器人

    研究人员开发了ForceHarness,一个新颖的系统,使冷冻的、仅限API的 frontier 模型能够利用接触力数据进行机器人操作任务。ForceHarness通过在模型下方闭合循环来解决快速力演变带来的挑战,并将原始力流转换为具有不确定性的可解释物理量。这种方法显著提高了GPT-6 Astra等模型在现实世界机器人任务上的零样本成功率,在新的基准测试中表现优于训练策略和专家控制器。

  6. TOOL · CL_354684 ·

    Claude Opus 5.5 精确设计草图机器人手臂,并通过 CAD 和物理模拟验证

    一位用户详细介绍了他们使用 Claude Opus 5.5 根据餐巾纸上的草图设计机器人手臂的经历,并将整个过程分解为五个不同的步骤。Claude 为每个阶段生成了工程图纸、计算和 JSON 数据文件,然后 Claude Code 使用这些文件在 SolidCraft 中创建 3D 模型并在 MuJoCo 中设置物理模拟。用户发现 Claude 对铰链角度、零件重量和负载测试的预测非常准确,只有微小的差异。

  7. TOOL · CL_361475 ·

    Alloy物理引擎统一多材料模拟以用于机器人学习

    研究人员开发了Alloy,一个开源物理引擎,旨在在单个场景中模拟各种材料,包括刚体、布料、液体和颗粒物。该引擎旨在通过提供统一的模拟环境来改进机器人学习,这与之前需要为不同材料类型使用单独引擎的系统不同。Alloy构建在Newton和MuJoCo等现有模拟器之上,并设计为易于与编码代理集成,具有自文档化代码和提供修复建议的错误报告功能。

  8. RESEARCH · CL_350733 ·

    TensorWorld 为物理驱动的 AI 模型融资超1亿美元

    成立仅四个月的初创公司 TensorWorld 已获得超过1亿美元的融资,用于开发能够理解和预测物理世界交互的 AI 模型。该公司专注于物理驱动的方法,从数据中学习物理定律,而不是仅仅依赖视觉真实性。他们的技术旨在弥合 AI 数字能力与其在物理世界中的应用之间的差距,解决机器人、自动驾驶和工业模拟中的挑战。

  9. TOOL · CL_349695 ·

    MuJoCo README 翻译成中文以简化设置

    MuJoCo README 的中文翻译已发布,旨在简化中文用户的设置过程。翻译后的存储库包含一个快速入门指南,重新排序并澄清了原始安装步骤,强调 Python 绑定会捆绑引擎,并且 Python 3.11 是最低要求。翻译还突出了平台限制,并为中国大陆用户提供了关于使用 pip 镜像的说明,比原始文档提供了实际改进。

  10. TOOL · CL_348424 ·

    新的有序策略优化方法增强了强化学习的稳定性

    研究人员推出了一种名为有序策略优化(OPO)的新方法,旨在提高强化学习中策略更新的稳定性和有效性。与使用固定裁剪范围处理所有样本的传统近端策略优化(PPO)不同,OPO根据重要性比率的可靠性自适应地调整裁剪半径。这种方法专门针对并控制可能不成比例地影响更新的极端比率。在MuJoCo和Atari基准测试上的实验表明,OPO与现有方法相比取得了强大的性能。

  11. TOOL · CL_350868 ·

    新系统通过物理引擎反馈来约束视觉语言模型(VLM)的空间推理

    研究人员开发了 Spatial Harness,一个旨在增强视觉语言模型(VLM)空间推理能力的新系统。该系统通过利用物理引擎,将 VLM 推理约束在明确的、可执行的世界状态中。一个 Perceiver 组件通过整合视觉估计和文本约束来构建这些状态,而一个 Reasoner 则模拟视点变化,并通过测量和渲染视图提供反馈。在 MindCube 等基准测试上的评估显示出显著的改进,使用 Spatial Harness 后,一个 VLM 的…

  12. TOOL · CL_336395 ·

    新的 $\nabla$Mimic 方法可大幅缩短人形机器人控制训练时间

    研究人员开发了一种名为 $\nabla$Mimic 的新方法,通过利用可微分模拟,显著提高了人形机器人控制的效率。该方法利用模拟器本身的精确梯度,克服了困扰传统方法的梯度爆炸等问题。通过实现中值相对每样本梯度裁剪和多步回归,$\nabla$Mimic 在复杂人形运动跟踪任务上取得了最先进的性能,而所需时间仅为现有方法的几分之一。相关的 NablaEngine 是一个可微分的 GPU 模拟引擎,通过比以前的工具更快地处理接触动力学和伴随…

  13. TOOL · CL_330881 ·

    新的贝叶斯框架增强了离线多智能体强化学习

    研究人员开发了一个用于离线多智能体强化学习(MARL)的贝叶斯框架,该框架解决了数据集覆盖范围有限和潜在的分布外错误带来的挑战。所提出的方法从分散的观察-动作历史中推断潜在的全局状态,并仅使用离线数据来改进后验世界模型。引入了一个新的指标,多智能体后验信息损失(MPIL),用于衡量世界模型的可靠性并指导改进和离线评估。在D4RL MuJoCo任务上的实验表明,该方法具有竞争力的策略性能和改进的世界模型预测能力。

  14. TOOL · CL_324446 ·

    Patchwork 系统将模拟资源使用量削减 92%

    研究人员开发了 Patchwork,一个旨在优化领域随机化具身模拟中资源共享的新颖系统。该系统将常见的场景资源分离为共享模板和特定变异体(补丁),与传统的每环境进程执行相比,在 32 个副本下将 CPU RSS 显著降低了高达 92%。Patchwork 的分层运行时有效地共享编译后的模型结构和不可变资产,同时为每个实例维护私有的模拟状态,有效地将内存增长转向模板多样性而非实例数量。

  15. TOOL · CL_324444 ·

    新的PINN模型学习具有离散跳跃的混合系统

    研究人员开发了混合时间PINNs(HT-PINNs),这是一种用于模拟同时具有连续流和离散跳跃的混合动力系统的新方法。与难以处理不连续性的传统PINNs不同,HT-PINNs为每个流区间使用单独的网络,并联合训练它们以识别跳跃时间和未知参数。该方法在准确预测跳跃次数和估计模拟中的物理参数方面取得了成功,例如在弹跳球和机器人拆卸任务中。

  16. RESEARCH · CL_324912 ·

    新的正则化强化学习算法增强了机器人从模拟到现实的迁移能力

    开发了一种新的强化学习算法——软缓最大值Actor-Critic (SMM-AC),以改进策略从模拟到现实世界机器人的迁移。该算法基于软缓最大值价值函数,提供了强大的鲁棒性保证。在MuJoCo基准测试中,SMM-AC的表现与Soft Actor-Critic等现有方法相当。至关重要的是,在真实机器人上,SMM-AC展示了更优越的回报和对观测、环境及动力学变化的更大韧性,突显了正则化强化学习在模拟到现实迁移中的优势。

  17. TOOL · CL_315406 ·

    新流程从单个视频生成数千个机器人演示

    研究人员开发了Real2Sem2Real (R2Sem2R) 这一新颖流程,可将单个RGB视频演示转换为数千个机器人演示。该方法利用DINOv3蒸馏的高斯溅射来跟踪物体的SE(3)姿态,性能优于现有技术。R2Sem2R然后对数字对象“表亲”进行语义对齐,匹配整个对象和功能区域,并将人类抓取映射到可行的机器人抓取。在IsaacSim或MuJoCo中创建的机器人演示可以快速生成,从而能够使用最少的人类输入有效地在各种对象实例上训练视觉-语…

  18. RESEARCH · CL_312321 ·

    两篇新的arXiv论文探讨用于强化学习和工业排序的生成模型

    arXiv上发布了两篇新的研究论文,均聚焦于生成模型的进展。第一篇《基于Doob的生成策略优化》介绍了一个新颖的强化学习框架,允许对生成策略进行无似然微调,并在连续控制基准测试中表现出强劲的性能。第二篇论文《EASformer:用于工业生成排序的环境-动作-状态对齐》提出了一种新的基于Transformer的架构,旨在通过更好地对齐不同类型的语义表示来改进工业排序系统,在离线和在线测试中均取得了显著的改进。

  19. TOOL · CL_300751 ·

    新框架验证用于机器人策略评估的 3D 场景重建

    研究人员开发了 YUBI-Real2Sim,一个旨在通过验证 3D 高斯泼溅 (3DGS) 场景重建来提高机器人策略在模拟中评估的可靠性的框架。该系统解决了广角相机视图中的视觉伪影带来的挑战,这些伪影会降低策略性能。通过将 3DGS 与对象建模和物理模拟相结合,YUBI-Real2Sim 旨在准确重现现实世界的策略结果,并分析重建缺陷对任务性能的影响。

  20. RESEARCH · CL_300305 ·

    生成式轨迹规划(GTP)框架提升AI决策能力

    研究人员推出了一种新颖的基于模型的框架——生成式轨迹规划(GTP),旨在通过学习一个生成模型作为动作序列的提议分布来改进在线决策。该方法通过实现高效的远期推理来解决现有方法的局限性。GTP从扩散先验中采样候选动作序列,并使用学习到的动力学、奖励和价值模型对其进行优化。实验表明,GTP在连续控制和远期操作任务中,即使在其他方法性能下降的情况下,也能达到或超越最先进的基线水平。