MuJoCo
PulseAugur coverage of MuJoCo — every cluster mentioning MuJoCo across labs, papers, and developer communities, ranked by signal.
10 天有情绪数据
-
新框架将机器人场景重建与策略开发相结合，用于现实世界任务
研究人员开发了 Agentic RSR，一个集成了场景重建、策略开发和真实机器人执行以完成操作任务的框架。该系统接收工作空间视频和任务描述，以重建度量尺度3D场景，并通过视觉反馈进行迭代优化。然后，在模拟环境中使用重建的场景开发策略，从特权对象姿态进展到视觉观察，最终部署到真实机器人上，通过执行反馈指导整个过程。该框架在18个重建场景中，将模拟任务成功率在真实机器人上保留了80%。
-
新AI方法从图像生成可用于仿真的碰撞几何体
研究人员开发了I2CD，一种直接从单个RGB图像生成凸碰撞几何体的新方法。该方法绕过了传统耗时的重建3D模型然后进行分解的流程。I2CD利用一个固定的图像到3D扩散模型，仅训练一个轻量级的交叉注意力头来输出凸多面体的参数。生成的几何体效率高，可直接用于物理引擎，并且比现有方法生成速度显著更快，在仿真和物理机器人上均表现出改进的性能。
-
autotrust 发布基于 Gemma-4 的决策模型 bf16 和 NVFP4 量化版本
autotrust/GEV-26B-Decide 模型基于 Gemma-4，发布了两个版本：标准的 bf16 模型和为 vLLM 优化的量化 NVFP4 版本。NVFP4 版本显著降低了内存需求，使其能够运行在 24GB GPU 上，并在 GPQA Diamond 和 HLE 等基准测试中保持与 bf16 版本相当的性能。该模型专为决策任务设计，具有自适应思考能力，仅在必要时进行推理，从而在 Nvidia B200 等硬件上实现快速推理。
-
新的 ROS2 框架增强了多机器人系统的实时控制
研究人员开发了 multipanda_ros2，这是一个开源 ROS2 框架，专为多个 Franka Robotics 机械臂的实时控制而设计。该架构旨在通过保持 1kHz 的控制频率和实现精确的控制器切换来弥合仿真到现实的鸿沟。该框架集成了高保真 MuJoCo 仿真，并证明了现实世界中的惯性参数识别可以提高复杂机器人任务的力和力矩精度。
-
新方法通过有界物理增强机器人治理基准测试
研究人员引入了一种名为“有界保真度模拟即演示阶段”的新设计模式，以提高 LLM 驱动的机器人治理基准测试的可复现性。该方法在特定的移交包络内抑制接触物理，防止积分误差产生的噪声影响审计链的稳定性。该方法使用 MuJoCo 和 Python 适配器，与标准的接触力基线相比，审计链的可复现性显著提高，而开销极小。
-
STATERA模型使用冻结的时间表示从视频中估计隐藏质量
研究人员开发了STATERA，一种从单目短视频估计不透明、非对称刚体质心（CoM）的新颖方法。该方法通过使用大部分冻结的权重和一个轻量级的时间管状结构混合器来调整预训练的视频骨干网络V-JEPA，以预测每帧的CoM热图和轨迹。为了促进这项研究，创建了HiddenMass Benchmark，其中包含5万个模拟轨迹和一个具有校准CoM真实值的63个序列的真实世界测试集。STATERA在模拟中显示出更高的准确性，并在面对监督信号挑战时，在…
-
新的模型修正世界模型增强了强化学习适应性
研究人员开发了一种名为模型修正世界模型（MC-WM）的新方法，以解决基于模型的强化学习中的挑战。该方法将初始目标数据分为不同的分区进行拟合、选择和校准，旨在减少在数据有限的情况下将模拟器适应真实世界目标时模型选择失败的风险。MC-WM 利用学习到的置信信号和有效性谓词来加权策略更新，而不改变物理奖励，并在模拟环境中通过大量运行进行了评估。
-
新的“代码即控制”方法为实时人工智能任务合成 Python 控制器
研究人员开发了一种名为“代码即控制”的新方法，该方法可为实时人工智能控制任务合成 Python 控制器。该方法将由 LLM 生成的控制器结构与其通过无导数搜索优化的参数分开。生成的控制器直接作为策略执行，无需在决策时进行 LLM 推理或规划，从而能够比传统的近端策略优化等方法更快地选择动作。“代码即控制”在各种 Atari 游戏、Flappy Bird 和 MuJoCo 任务中表现出色，与深度强化学习相比具有竞争力，同时所需的交互更少…
-
新框架可从随意视频生成关节对象模型
研究人员开发了一个新框架，可以从随意的单目RGB视频中重建关节对象和手部-对象交互。这种方法称为Track, Articulate, Act，不需要深度传感器、多视图、预定义的关节或机器人演示。它利用密集的3D点轨迹，通过分割链接和估计关节轨迹来推断关节运动，然后重建一个关节资产，并对齐手部运动以便在MuJoCo中进行模拟。该方法有效地将预训练的视觉模型重新用于3D重建和场景流，从而能够为下游具身AI任务从日常视频创建可用于模拟的关节对象模型。
-
基于学习的接触动力学模型增强机器人插钉性能
研究人员开发了一种新颖的图神经网络模型，能够学习机器人操作任务（如插钉）的接触动力学。该模型仅通过触觉和力矩数据进行自监督训练，可以预测物体姿态更新和反作用力。当与模型预测控制代理集成时，在模拟环境中，它在具有未知几何形状的插钉任务中实现了 98% 的成功率，并且在实际测试中，在位置、力和力矩精度方面显著优于系统识别的 MuJoCo 模型。
-
AI模型在扑翼飞行器扑翼计数方面的比较
研究人员使用光流数据，评估了三种类型的时间模型——卷积、脉冲和基于注意力——在扑翼飞行器中计数扑翼次数的性能。该研究在MuJoCo模拟环境中，使用虚拟Crazyflie飞行器进行，并在不同距离下比较了模型的性能。虽然所有模型在扑翼计数方面都表现出高精度，但由于训练和鲁棒性的差异，结果并未确立不同架构之间的明确排名。
-
新AI框架利用人类专业知识实现精确的机器人建筑装配
研究人员开发了一种新的交互式强化学习框架，该框架利用人类专业知识来提高工业化建筑中机器人装配的精度。该系统旨在将隐性安装者知识转化为高效的自主性，特别适用于公差严格和反馈稀疏的任务。该框架使用离线远程操作演示和故障边界处的稀疏二进制接管来进行在线适应，在最少的安装者监督下，在模拟测试中实现了100%的自主就位。
-
新的基准测试通过交互式物理模拟来测试LLM的物理推理能力
研究人员推出PhysMent，这是一个旨在通过交互式实验来评估大型语言模型（LLM）物理推理能力的新基准。与静态基准不同，PhysMent要求LLM通过施加力、查询状态和修改环境来积极与MuJoCo物理模拟器互动，然后再回答问题。虽然当前模型在定性任务上表现出能力，但在需要精确、多步实验程序的定量问题上，它们的性能显著下降，大多数模型在具有挑战性的单一概念任务上的得分低于30%。
-
新的Zonal RL-RRT算法提升路径规划效率
研究人员开发了一种新的路径规划算法，名为Zonal RL-RRT，它显著提高了在复杂环境中的效率和成功率。该算法使用k-d树将地图划分为区域，并采用值迭代进行高级决策，确保区域间的平滑过渡。Zonal RL-RRT在时间效率上比基础采样方法提高了3倍，并在包括机械臂模拟在内的各种环境中，平均比启发式引导和基于学习的方法提高了1.5倍。
-
机器人模仿学习指南发布
本文提供了一份机器人模仿学习（IL）的实现指南，重点关注从头开始训练的基于视觉的策略。它将IL与经典的显式策略和强化学习进行了对比，强调了IL无需手工算法或大量模拟的优势。该指南使用PyTorch、MuJoCo模拟和RoboSuite包来训练机器人在抓取方块等任务上的表现，并强调了基于传感器输入的泛化适应学习。
-
新的Ostrich模拟器实现了更快、更节省内存的可微动力学
研究人员开发了Ostrich，一种新颖的GPU加速刚体模拟器，专为可微动力学设计。Ostrich通过在显著更大的时间步长内实现接触的基于梯度的优化，解决了现有模拟器的局限性。它使用非光滑牛顿迭代并通过隐函数定理区分收敛残差来实现这一点，每个时间步的内存使用量是恒定的。
-
Qunhe Tech, Nvidia, Intel, Zhejiang U. tackle physical AI infrastructure
Qunhe Technology, in collaboration with industry giants like Nvidia and Intel, and academic institutions such as Zhejiang University, has published three papers addressing key infrastructure challenges for physical AI. …
-
新型视觉触觉世界模型提高了机器人抓取成功率
研究人员开发了一种紧凑型视觉触觉世界模型，通过整合视觉和触觉数据进行更准确的预测，从而改进了机器人操作。该模型增强了力约束控制，在使用模型辅助反馈时，将抓取任务的成功率从 73.3% 显著提高到 93.3%。虽然想象式强化学习显示出潜力，但与模拟环境中的反应式方法相比，它目前的成功率较低。该研究强调了在机器人技术中改进传感输入与实现有效力约束控制之间的区别。
-
Axis Robotics 推出基于浏览器的机器人操作研究数据库引擎
Axis Robotics 推出了 AXIS，一个新颖的、基于浏览器的数据库引擎，旨在加速机器人操作研究。该系统允许通过 Web 界面进行连续数据收集，后端 GPU 负责处理训练和渲染等计算密集型任务。该数据集目前在 Hugging Face 上提供非商业学术用途，包含 207 个任务的 50,000 多条轨迹，通过程序化生成以确保多样性和可扩展性。初步结果表明，使用 AXIS 数据训练的模型在操作任务上的性能显著优于使用静态数据集训…
-
稀疏世界模型提高 AI 对象操纵精度
研究人员开发了一种新的世界模型方法，专注于建模变化而非预测整个状态。这种稀疏、残差世界模型在 MuJoCo桌面操纵基准测试中，与密集多层感知器相比，在预测对象姿态方面表现出显著更高的准确性。新模型在参数和数据需求方面也显示出更高的效率，并在自回归滚动中表现出更好的可迁移性和减少的误差累积。当集成到规划系统中时，稀疏模型能够成功规划动作，而密集模型则不能。