push technology
PulseAugur coverage of push technology — every cluster mentioning push technology across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI模型Traj-LeWM通过路径感知轨迹成本改进规划
研究人员推出Traj-LeWM，这是一种增强的视觉世界模型，旨在提高AI代理的规划能力。该新模型通过在端点预测的同时纳入轨迹级别的信息，解决了其前身LeWM的局限性。Traj-LeWM在训练期间使用目标条件潜在轨迹成本（LTC）来塑造表示，并在规划期间使用LTC来优化候选动作序列。实验表明，Traj-LeWM在Push-T、OGBench-Cube、Reacher和Two-Room等多个基准测试中，以显著的百分比优势超越了LeWM。
-
Temporal-Distance JEPA 增强世界模型预测控制
研究人员推出了一种新颖的潜在世界模型预测控制表示学习方法——Temporal-Distance JEPA (TD-JEPA)。该方法通过从无奖励轨迹中挖掘定向时间成本来增强联合嵌入预测架构 (JEPAs)，提高了根据目标进展对想象的未来进行排名的能力。TD-JEPA 在 Two-Room 和 OGB-Cube 等环境中展示了显著的性能提升，通过有效弥合训练和规划之间的差距，超越了先前的方法。
-
DriftWorld模型通过更快的世界建模加速机器人规划 · 跟踪2个来源
研究人员开发了DriftWorld，一种新颖的动作条件世界模型，可显著加速机器人规划。与需要迭代去噪的基于扩散的模型不同，DriftWorld使用单次前向传播生成未来帧，速度提高了17倍以上。这种速度提升允许更广泛的动作搜索和规划，从而在各种机器人操作基准测试中取得最先进的性能。DriftWorld还可以准确地模拟机器人策略，其滚动分数与地面实况高度相关。
-
Qantara JEPA 可实现从像素进行多范式控制
研究人员推出了一种新颖的联合嵌入预测架构（JEPA），名为 Qantara，它能够从原始像素实现多范式控制。与先前在训练时就确定单一推理方法的 JEPA 不同，Qantara 的联合训练目标允许单个检查点在无需重新训练的情况下支持轨迹优化、行为克隆和逆动力学。这种灵活性是通过布朗桥插值和噪声到数据流匹配实现的。Qantara 在 OGBench-Cube 和 LeWM 控制套件等基准测试中展示了最先进的性能，显著优于现有的 JEPA 世界模型。
-
RE4框架增强物体交互模仿学习能力
研究人员推出RE4，一个用于物体交互任务模仿学习的新框架。RE4旨在通过重新利用已建立的操作理论来平衡性能和可解释性。该框架结合了无模型姿态估计、操作模式感知演示检索和转换，以及在遵守模式约束下的重新规划。该框架已在Push-T和Robomimic基准上进行了评估，证明了其在稀疏数据场景下的鲁棒性。
-
新的JEPA方法将任务进展与内容解耦
研究人员开发了一种名为子空间分解的JEPA（SD-JEPA）的新方法来改进潜在世界模型。该方法使用独立的子空间来解耦模型潜在空间中的任务进展与内容。与现有的JEPA基线相比，SD-JEPA在控制基准和名为Push-T的特定任务上表现出改进的性能。该模型的进展坐标还可以作为场景感知指南针，准确跟踪任务进展和语义事件。