RoboCasa-GR1
PulseAugur coverage of RoboCasa-GR1 — every cluster mentioning RoboCasa-GR1 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
GroundingPI模型利用视觉原语推进物理智能
研究人员推出GroundingPI，一个拥有40亿参数、专为物理智能任务设计的基础模型。该模型在精确物体定位方面表现出色，能够生成量化坐标点和边界框，这对于实时控制至关重要。GroundingPI在众多物体定位基准测试中取得了最先进的性能，超越了GPT-6 Astra等更大的模型。其有效性在机器人操作和自动驾驶等下游应用中得到了进一步证明，显著提高了性能，尤其是在分布外场景下。
-
新世界模型训练机器人以提高性能，训练后退出 · 跟踪 1 个来源
研究人员开发了一种新颖的世界模型 Phi-WM 1.0 ActEffect，旨在通过在训练后战略性地退出部署过程来提高机器人性能。与在任务执行期间保持活跃的传统模型不同，ActEffect 专注于在训练阶段预测机器人动作的后果。这种方法使机器人能够在没有持续世界建模的计算开销的情况下从潜在结果中学习，从而提高能力并降低部署成本。初步测试表明，在包括 LIBERO、LIBERO-PLUS 和 RoboCasa-GR1 在内的各种基准测试…
-
DyPES-VLA模型增强了机器人跨不同具身的操作能力
研究人员推出了一种新颖的视觉-语言-动作（VLA）模型DyPES-VLA，旨在提高机器人跨不同具身的操作能力。该模型通过从多样化数据中学习共享动力学先验，并使用具身特定的专家混合（MoE）动作头，解决了当前VLA方法的局限性。这使得DyPES-VLA能够在无需手动转换动作格式的情况下，将共享先验转换为各种机器人的原生动作空间，并在LIBERO、RoboCasa-GR1和RoboTwin 2.0等基准测试中取得了最先进的性能。