Multi Purpose 3d Dataset
PulseAugur coverage of Multi Purpose 3d Dataset — every cluster mentioning Multi Purpose 3d Dataset across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的机器人导航系统学习自适应安全裕度
研究人员开发了一种新的方法，使机器人能够通过学习自适应安全裕度来导航混乱的室内环境。该方法使用上下文条件安全批评器对基于扩散的轨迹建议进行排名，从而平衡安全性和效率。该系统在模拟中进行训练，成功迁移到 Unitree G1 人形机器人，并在没有针对特定任务进行调整的情况下导航复杂场景，在 HM3D 和 MP3D 的 PointGoal 导航等基准测试中取得了很高的成功率。
-
VTM-Nav 框架通过视觉拓扑记忆增强具身智能体的导航能力
研究人员推出了一种新颖的框架 VTM-Nav，专为具身智能体的目标导航而设计。该系统利用持久的分层视觉拓扑记忆 (VTM) 在房间和物体层面组织场景知识，从而能够有效地在同一环境中的多个导航回合之间重用经验。与现有方法相比，VTM-Nav 在 HM3D v0.1、HM3D v0.2 和 MP3D 等基准测试中表现出色，展示了结构化视觉拓扑记忆对具身 AI 的优势。
-
新AI导航系统应对感知不确定性
研究人员开发了PSG-Nav，一种用于具身智能体（embodied agents）的开放词汇导航的新方法，该方法解决了感知不确定性问题。该系统构建了一个3D概率场景图（3D Probabilistic Scene Graph）来表示语义歧义和模型误差。它采用多重宇宙决策（Multiverse Decision making）来采样可能的世界状态，并根据地标与这些采样状态的兼容性来评估导航地标。还引入了证据经验校准器（Evidentia…
-
PlatonicNav框架支持纯视觉导航，无需配对数据
研究人员推出了一种新颖的具身导航框架PlatonicNav，该框架在训练期间无需配对的视觉-语言数据。该系统采用纯视觉方法构建语义地图，然后通过盲过程匹配语言目标。PlatonicNav旨在通过将各种导航任务（包括视觉-语言导航和物体目标导航）视为共享的以物体为中心的语义流形的接口来统一它们。
-
新研究质疑大语言模型在机器人导航中的作用，倾向于几何方法
一篇新研究论文质疑大语言模型（LLMs）在指令引导导航系统的零样本（zero-shot）提升方面所起的作用。该研究引入了两种无需训练的变体，FPE 和 SHF，它们分别依赖于工程化的几何方法和轻量级的语义启发式方法。结果表明，仔细的几何工程可以媲美甚至超越由大语言模型驱动的性能，这表明在该领域，语言模型作为启发式方法比端到端规划器更有效。
-
TrajRAG框架通过检索几何语义经验增强零样本物体导航
研究人员推出TrajRAG，一个旨在增强机器人零样本物体导航能力的新型框架。该系统通过检索以独特的拓扑-极坐标轨迹格式表示的过往导航经验来增强大型模型的推理能力。TrajRAG持续积累和组织这些经验，以便高效检索以指导未来的导航决策。实验证明在MP3D和HM3D等基准数据集上性能有所提升。