OmniGibson
PulseAugur coverage of OmniGibson — every cluster mentioning OmniGibson across labs, papers, and developer communities, ranked by signal.
-
Fei-Fei Li's team develops RAPID for deformable object manipulation
Fei-Fei Li团队的研究人员与德克萨斯大学奥斯汀分校合作，开发了一种名为RAPID（Rapid Adaptation of Particle Dynamics）的新型可变形物体操纵方法。该方法通过使用粒子位置来捕捉形状变化，将现有的刚体快速适应框架扩展到柔软、可变形的物体上。RAPID在对未见过物体和动力学的插入和覆盖任务中成功率超过80%，展示了向更通用的机器人操纵迈出的重要一步。
-
新基准测试AI代理的主动空间推理能力
研究人员推出了ESI-BENCH，一个旨在评估AI代理具身空间智能的新基准。该基准侧重于感知-行动循环，代理通过主动探索环境来收集证据，而不是被动处理观察结果。对最先进的多模态大语言模型（MLLMs）进行的实验表明，主动探索的性能显著优于被动方法，代理能够发展出涌现的空间策略。然而，识别出的一个关键限制是元认知差距，模型会过早地做出结论，不像人类会寻求矛盾的证据。
-
李飞飞团队发布ESI-Bench，用于评估具身空间智能
李飞飞团队发布了一个名为ESI-Bench的新基准，用于评估AI的具身空间智能。与以往假设最优观察的基准不同，ESI-Bench要求AI代理主动采取行动来收集信息，从而闭合了感知-行动循环。使用GPT-5和Gemini等领先模型进行的初步测试表明，当前的AI在主动探索和决策方面存在困难，表现出“行动盲区”和元认知缺陷，这表明主要挑战在于战略行动而非纯粹的感知。
-
新的ESI-Bench基准测试AI代理的主动空间推理能力
研究人员推出ESI-Bench，这是一个旨在评估AI代理具身空间智能的新基准。该基准侧重于感知-行动闭环，代理通过主动探索环境来收集信息，而不是被动处理视觉数据。使用最先进的多模态大语言模型（MLLMs）进行的实验表明，与被动观察相比，主动探索显著提高了性能，尽管失败通常源于糟糕的行动选择而非薄弱的感知。该研究还强调了模型中存在的元认知差距，因为它们倾向于过早地做出结论，不像人类会根据矛盾的证据修正信念。
-
StereoPolicy 通过立体视觉增强机器人操作
研究人员开发了 StereoPolicy，这是一个利用同步立体图像对来增强机器人操作的新框架。该方法加强了机器人的几何推理能力，克服了单目视觉的深度感知限制，而无需显式的3D重建或相机校准。StereoPolicy 可与现有的 VLA 策略集成，并在多个模拟基准和真实机器人实验中展示了持续的改进。