RoboDojo
PulseAugur coverage of RoboDojo — every cluster mentioning RoboDojo across labs, papers, and developer communities, ranked by signal.
13 天有情绪数据
Knowin AI's GLOW framework shows strong performance on RoboDojo benchmark
Knowin AI's GLOW framework, designed for one-shot robot learning, achieved 62.2% on the RoboDojo benchmark. This indicates that GLOW is a competitive model for evaluating robot learning capabilities, especially in scenarios requiring rapid task acquisition from single demonstrations.
RoboDojo benchmark may become a key metric for one-shot robot learning advancements
Given that Knowin AI's GLOW framework, which focuses on one-shot learning, performed well on RoboDojo, this benchmark could emerge as a critical evaluation platform for future one-shot robot learning systems. Companies developing similar rapid learning technologies may increasingly target RoboDojo for validation.
Egocentric human data alignment will be crucial for RoboDojo performance improvements
The Ego4WAM study highlights the importance of human-robot alignment for out-of-distribution generalization in robot learning. As RoboDojo likely involves diverse tasks and environments, systems that leverage aligned egocentric human data may show superior performance and faster learning curves on this benchmark.
-
LLM流水线SimAudit在AI操纵基准成功检查器中发现61个缺陷
研究人员开发了SimAudit,一个基于LLM的流水线,用于审计模拟操纵基准中使用的成功检查器。这些检查器将回合标记为成功或失败,可能错误地识别出幻影成功(接受不完整的执行)或静默失败(拒绝有效的执行)。SimAudit分析任务指令和检查器代码以识别潜在的分歧,在模拟中重现这些场景,并直观地验证结果。在RoboTwin 2.0、RoboCasa365和RoboDojo等基准测试中,SimAudit发现了61个不同的缺陷,包括40个幻影…
-
新的PhysCapBench基准衡量视频字幕中的物理信息
研究人员推出了一款名为PhysCapBench的新基准,旨在评估视频字幕中包含的物理信息。该基准旨在成为世界模型的“物理数据尺”,确保视频描述能够准确捕捉和保留运动、接触和状态变化等关键物理细节。PhysCapBench涵盖了三个互补的领域:第三人称场景、第一人称交互和手抓取演示,利用1500个视频序列从七个维度评估字幕质量。评估还扩展到下游应用,证明更丰富的物理描述可以改进视频生成和机器人策略学习。
-
光轮智能发布RoboFinals RL Envs用于物理AI训练
光轮智能发布了RoboFinals RL Envs,这是一套专为物理AI和机器人设计的强化学习环境。这些环境侧重于需要复杂操作、与可变形物体交互以及随时间累积误差的复杂、长时间任务,超越了更简单、单次动作的场景。该系统旨在通过提供可用于迭代学习和改进的物理仿真环境,来弥合数字AI训练与现实世界机器人应用之间的差距。
-
在模拟中训练的开放权重模型可实现原生机器人控制
研究人员开发了一种方法,通过完全在模拟中使用强化学习来训练开放权重推理模型,以控制真实机器人。这种方法被称为机器人使用强化学习(RURL),它模仿了 GPT-6 Astra 和 Claude Fable 5.2 等专有模型获取计算机使用能力的方式。训练好的模型在现实世界的机器人任务中表现出很高的成功率,优于在演示数据上微调的模型,并保留了通用推理能力。
-
机器人研究推出新的世界模型用于动作预测 · 跟踪了 4 个来源
四篇新研究论文介绍了增强机器人世界模型的新方法,重点是提高它们预测动作后果的能力。AFFECT、HINT-WAM、LASR 和 ResWAM 都旨在使这些模型更忠实于现实世界的结果,并提高规划和控制的效率。这些方法解决了诸如捕捉细微动作效果、高效适应以及动作基础表示的稳健评估指标等挑战。
-
Fable 5.2 超越 AI 性能基准趋势线
Fable 5.2 在三个关键基准:ECI、Remote Labor 和 RoboDojo 上表现超出既定趋势线。ECI 是一个综合指标,Remote Labor 评估端到端的自由职业工作完成情况,RoboDojo 涉及机器人控制。
-
Meituan-Robotics-0:用于桌面操作的新型视觉-语言-动作模型
研究人员推出 Meituan-Robotics-0 (MR0),这是一种新颖的视觉-语言-动作基础模型,专为桌面操作任务而设计。MR0 整合了海量的视觉语言样本数据集以及跨多种具身的多样化机器人轨迹数据。该模型采用独特的三个阶段训练过程,包括用于增强策略适应性的回滚机制,在 RoboTwin 2.0 等基准测试中取得了高成功率,并在现实世界的机器人应用中展示了强大的性能。
-
PyRUA-REAL框架使机器人能够从真实世界探索中学习持久性技能
一个名为PyRUA-REAL的新框架已被开发出来,使编码代理能够通过真实世界探索和代码优化来学习和改进机器人技能。该系统允许代理将物理交互转化为持久的、可执行的技能,以供将来任务重用。PyRUA-REAL已展示出高成功率,在八项真实世界任务中达到91.1%,在RoboDojo基准测试的42项任务中达到84.4%。
-
新的具身AI模型推动机器人感知和视频生成 · 跟踪5个来源
研究人员推出了几款新的具身AI和视频生成模型,专注于改进机器人感知和与环境交互的方式。AuroraWorld旨在为机器人操作学习从外中心视频合成以自我为中心的视频,解决视角转换和遮挡等挑战。ReactWorld通过预测交互响应并利用反馈来提高与任务意图和接触动力学的一致性,从而增强具身视频生成,在RBench和EZS-Bench等基准测试中取得了强劲的性能。Open-HumanScale提出了一个全面的开源方案,用于为具身基础模型扩展…
-
开放权重代理在机器人操作研究中挑战专有模型
一篇新研究论文介绍了一个名为Uni-robot-agent的统一框架,旨在推进开放权重机器人使用代理的开发和训练。该系统允许进行竞争性基准测试和模型的进一步训练,旨在促进该领域的民主化研究。在初步测试中,一个开箱即用的Qwen3.8-Flash-Next模型在一个关键的操作任务上取得了比专有GPT-6模型更高的分数,展示了开放权重代理的潜力。该研究还确定了未来机器人使用代理训练中应共同开发的四项核心能力。
-
Auriga 智能体工具包推动零样本机器人操作发展
研究人员开发了 Auriga,一种新的任务无关智能体工具包,旨在通过弥合规划和执行之间的差距来改进零样本机器人操作。Auriga 集成了显式的任务信念、精确的 3D 测量和双臂控制,使 GPT-6 Astra 等模型在 RoboDojo 和 RoboCasa365 等基准测试中取得显著更高的成功率。该系统监控执行情况,在出现偏差时停止机器人,并允许原地恢复,从而实现了最先进的性能。
-
智源发布“Worken”指标及机器人新AI模型
机器人公司智源推出了一项名为“Worken”的新指标,用于衡量机器人有效智能工作时长,旨在对其生产力负责。同时,该公司展示了其物理AI生态系统的进展,包括GO-3 Preview和WITA-OMNI模型,这些模型在具身智能和交互方面已在多个基准测试中名列前茅。智源还展示了其运动智能的AGILE框架、集成了多项AI功能的第三代AHA3硬件架构,以及G2 Max机器人本体,所有这些都由其新的Lingqu OS 1.0进行编排。
-
逐际动力 FluxVLA Engine V2 简化具身智能开发
逐际动力 (LimX Dynamics) 发布了其开源工程基础 FluxVLA Engine 的第二个版本,旨在简化具身智能的开发和部署。此次更新通过集成在线强化学习、扩展模拟评估以及验证真实硬件部署来增强能力。该引擎旨在标准化开发流程,使研究人员能够复用工程基础设施,并将精力集中在推进模型能力上,而不是重复性的设置任务。
-
AgiBot的GO-3 Nano预览领先RoboDojo模拟排行榜
AgiBot的GO-3 Nano预览已在RoboDojo模拟排行榜上取得第一名。该模型平均得分61.90,比第二名高出6.64分。其模拟成功率也达到了56.42%。
-
Evolving Agent Teams 框架应对 AI 编码优化挑战
一个名为 Evolving Agent Teams 的新多智能体框架已被开发出来,以克服人工智能驱动的软件工程中的局部最优问题,特别是在 GPU 内核优化方面。该框架利用一个监督者来诊断和重构智能体团队,并结合一个持久化文件系统来存储积累的经验。与现有的编码智能体相比,Evolving Agent Teams 已展现出卓越的性能,生成了一个显著加速生产代码的 CUDA 内核,并在不同硬件平台和任务的各种基准测试中取得了显著的提升。
-
新的机器人世界动作模型提高效率和性能 · 跟踪 6 个来源
研究人员开发了机器人世界动作模型(WAMs)的新方法。RAP-WAM 使用预测性排练和动作扰动来改进策略学习,在现实世界任务中取得了很高的成功率。Box-WAM 通过使用定向边界框轨迹而不是完整的视频预测来表示未来状态,提供了一种计算效率更高的方法,在保持性能的同时降低了成本。此外,OneWM 框架表明,在因果训练下统一世界模型和动作模型可以带来互惠互利,从而提高策略学习和世界预测的保真度。
-
新研究推进机器人和推理的视觉-语言-动作模型 · 跟踪9个来源
多篇研究论文探讨了视觉-语言-动作(VLA)模型的进展,重点在于提高其鲁棒性、可解释性和效率。一篇论文介绍了JADE,一种联合去噪方法,使视觉语言模型和动作专家能够更紧密地协作,从而提高机器人任务的性能。另一篇论文JPTA提出了一个通过将文本原型视为语义参考来稳健地进行VLM归纳适应的框架,这些参考会根据批次可靠性进行调整。SD-LoRA专注于少样本适应,在训练过程中将结构信息提炼到轻量级模型中。此外,还在进行有关大型视觉语言模型安全…
-
Robotera的VPP2模型以强大的零样本性能引领RoboDojo基准测试
Robotera的VPP2世界动作模型在RoboDojo基准测试中取得了最高分,成功完成了42项任务,成功率为32.26%。该模型通过先进行视频预测再进行机器人动作训练,在真实ALOHA机械臂上取得了58.5%的零样本成功率,表现强劲。
-
中国机器人公司星纪元(Star-Epoch)的VPP2模型登顶全球榜单,超越GPT-6和NVIDIA
中国机器人公司星纪元(Star-Epoch)开发了一个名为VPP2的世界动作模型(WAM),该模型在RoboDojo基准测试中取得了最高排名,超越了GPT-6-ASTRA和NVIDIA的GR00T-N1.7等领先模型。VPP2的成功归功于其新颖的解耦和重排视频预测与动作学习的方法,专注于在训练动作执行之前进行鲁棒的视频预测。这种方法使VPP2能够展现出强大的泛化能力、精确的操作能力和记忆能力,即使在真实机器人上的零样本任务中,无需额外…
-
新的 VPP2 模型增强了机器人动作预测和泛化能力
研究人员推出了视频预测策略 2 (VPP2),这是世界动作模型 (WAMs) 的一项进展,旨在提高在开放式环境中机器人运动预测和动作生成的准确性。VPP2 通过使用大规模、多样化的操作视频数据集进行预训练,并为其动作模块采用混合 Transformer 架构,解决了现有 WAMs 的局限性。实验表明,VPP2 在视频预测方面显著优于 Cosmos3-64B 等模型,并在现实世界的 ALOHA 操作任务以及 LIBERO-Pro、LIB…