Open X-Embodiment: Robotic Learning Datasets and RT-X Models : Open X-Embodiment Collaboration<sup>0</sup>
PulseAugur coverage of Open X-Embodiment: Robotic Learning Datasets and RT-X Models : Open X-Embodiment Collaboration0 — every cluster mentioning Open X-Embodiment: Robotic Learning Datasets and RT-X Models : Open X-Embodiment Collaboration0 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
机器人难以弥合与大型语言模型相比的现实世界数据差距
与受益于互联网浩瀚数据的生成式AI不同，物理AI的发展目前受到现实世界训练数据缺乏的瓶颈。公司正试图通过大规模远程操作农场（人类在其中通过重复性任务操控机器人）和先进的模拟来弥合这一差距。然而，模拟仍然难以复制现实世界环境的复杂性，导致机器人在干净、预设演示中不存在的边缘情况下失败。
-
机器人研究在操作、AI、安全和泛化方面取得进展
研究人员正在开发先进的机器人操作方法，重点是提高泛化性、安全性和效率。BiCICLe 等新框架利用上下文学习来执行双臂任务，而 Ambient Diffusion Policy 和 GHOST 则增强了从次优或多样化数据中进行模仿学习的能力。其他方法，如 WorldDP 和 Latent Diffusion Policy，则使用分层结构和世界模型来处理复杂的多阶段任务。此外，PACT 和一项关于安全具身AI的调查，解决了机器人系统在物…
-
SPEAR-1: 通过3D理解实现超越机器人演示的扩展
研究人员开发了SPEAR-1，这是一种机器人基础模型，旨在通过整合3D空间推理来提高机器人控制的泛化能力。与先前主要在2D图像-语言任务上训练的模型不同，SPEAR-1通过使用带有3D注释增强的非机器人数据获得的3D理解来增强视觉-语言模型。这种方法使SPEAR-1能够使用显著更少的机器人演示来实现最先进的性能，其表现优于$\pi_0$-FAST和$\pi_{0.5}$等模型，同时所需的机器人数据样本减少了20倍。