R2R: Rewire to Revolt
PulseAugur coverage of R2R: Rewire to Revolt — every cluster mentioning R2R: Rewire to Revolt across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
具身智能模型DM0.5横扫四大关键基准，展现广泛能力
具身智能模型DM0.5在RoboColiseum基准测试（一个用于评估具身智能的综合平台）的四个子排行榜上均取得了最高排名。该模型是首个在指令遵循、空间理解、扰动适应和通用操作这四个类别中均表现出色的模型，显示出其没有结构性弱点。DM0.5的成功归功于其先进的架构，包括用于推理的具身思维链（embodied Chain-of-Thought）、用于空间理解的海量以自我为中心的视频数据，以及用于快速推理和长期记忆检索的工程优化，使其能够…
-
新的AdvNav框架揭示了导航机器人隐藏的视觉漏洞
研究人员开发了AdvNav，一个新颖的黑盒对抗攻击框架，旨在测试视觉-语言导航（VLN）系统的安全漏洞。与以往的方法不同，AdvNav在不访问机器人内部参数的情况下运行，而是通过分析其导航行为来优化扰动。该框架利用双粒度反馈机制和自适应优化来识别弱点，在针对HAMT和MapGPT等模型时取得了显著的成功率。
-
新AI方法训练智能体预测未来视觉信息以实现更好的导航
研究人员开发了一种名为未来状态条件视觉语言导航（FSC-VLN）的新方法，以提高AI智能体在视觉导航任务中的性能。该方法训练AI预测未来的视觉结果，而不仅仅是学习下一个动作。通过在训练期间引入与未来视觉嵌入对齐的未来查询令牌，FSC-VLN在R2R val-unseen等基准测试中表现出更高的性能，尤其是在较长的导航任务中。
-
灵机发布DM0.5具身大模型、机器人平台及开发工具
灵机（Yuanli Lingji）发布了其自研的具身智能基础大模型DM0.5，旨在解决具身智能领域的碎片化和数据挑战。该模型拥有40亿参数，在5万小时真实机器人数据和10万小时场景视频上进行训练，展示了显著的零样本（zero-shot）和少样本（few-shot）学习能力提升，其中零样本导航成功率提升31%，少样本成功率提升45%，相较于前代产品。公司还推出了2.0-Apex通用具身机器人平台和DexDev开发者平台，集成了DFOL …
-
新架构统一材料本体以符合法规要求
研究人员提出了一种新颖的面向可复用材料本体的多层次架构，以解决该领域的碎片化问题。该架构具有独立的抽象级别和消费者受众分类轴，旨在将材料特定数据与法规合规性要求相结合。提出的OntoCrafter陶瓷本体(OCO)作为参考实现，将陶瓷材料数据组织成一个七层机械解释框架。