RoboDojo
PulseAugur coverage of RoboDojo — every cluster mentioning RoboDojo across labs, papers, and developer communities, ranked by signal.
3 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.
-
机器人学习数据价值取决于对齐、多样性和监督
一项新研究 Ego4WAM 调查了扩展机器人学习中自我中心人类数据的关键因素。研究强调，人机对齐显著增强了分布外泛化能力，并减少了对目标任务机器人数据的需求。研究还发现，数据时长和任务多样性对下游能力有不同的影响，并且仅视频监督可用于初始训练，为后续的视频-动作训练奠定坚实基础。这些发现表明，对齐、任务多样性、监督和使用策略共同决定了自我中心人类数据在机器人学习中的价值。
-
Knowin AI 获得超10亿元人民币融资，发力消费级具身智能
成立一年多的消费级具身智能公司Knowin AI在一年内完成了第五轮融资，融资金额达数亿元人民币，累计融资金额已超过10亿元人民币。公司正致力于将其GLOW生成式具身大模型从技术演示阶段过渡到面向家庭用户的易用型应用。本轮融资将用于扩充训练数据、推进KNOWIN-X1机器人硬件的量产以及吸引具身智能领域的顶尖人才。Knowin AI的GLOW模型在RoboDojo和Embodied Arena等基准测试中表现出潜力，公司目标是让机器人…
-
Knowin 推出 GLOW 框架，实现单次演示机器人学习
Knowin 推出了 GLOW，一个用于单次演示机器人教学的生成式具身学习框架。该系统允许家庭机器人通过观察一次人类演示来学习新任务。在评估中，GLOW 在 RoboDojo 上达到了 62.2%，在 LIBERO-Pro 上达到了 86.7%（在其自身的测试条件下）。
-
GPT-6 Astra evaluated as embodied robot policy across six domains
一篇新论文探讨了 GPT-6 Astra 的能力，该模型专为机器人领域的具身策略而设计。研究在六个领域评估了 Astra 的性能，包括操作、移动操作、导航、运动和人形运动操作。虽然 Astra 在指令遵循和物体搜索等任务中表现出潜力，但在可靠的物理控制和密集运动参考生成方面存在困难。该研究强调了有用的任务决策与一致的物理执行之间的差异，推理延迟也带来了实际挑战。
-
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…
-
前华为“天才少年”李博杰谈AI创业与职业生涯
前华为“天才少年”李博杰公开分享了他的经历，包括一次病毒式传播的采访事件以及他的创业历程。他联合创立了AI代理公司Metagent，该公司在商业模式上面临挑战后，转向图像生成，之后又转向Pine AI，专注于解决海外日常纠纷。尽管最初对其才华和成就存在误解，李博杰现在作为首席科学家为Pine AI做出贡献，利用他在AI代理和复杂问题解决等领域的专业技术。
-
元力觉醒DM0.5具身大模型达SOTA，已开源
元力觉醒的DM0.5模型在具身AI的RoboDojo基准测试中取得了最先进（SOTA）的性能，展现了卓越的记忆能力和19.34%的平均成功率。该模型在LIBERO和RoboTwin 2.0等其他评估中也表现出色，在包括人类模仿、精细操作和复杂环境稳定操作在内的多样化任务中展示了强大的泛化能力。元力觉醒已开源DM0.5模型、其训练框架及下游任务工作流，从而促进该领域的广泛研究与开发。
-
新的VLA模型通过远见和大规模数据增强机器人操作能力
研究人员开发了新的方法来提高机器人领域中视觉-语言-动作（VLA）模型的性能，特别是在复杂、长周期的任务方面。一种方法是“远见残差强化学习”（Foresight Residual RL），它通过引入预测未来子任务成功率的远见值来增强信用分配，从而显著提高整体任务完成率。另一项开发是Xiaomi-Robotics-1，它使用超过10万小时的真实世界机器人轨迹和一个自动标注流程来扩展VLA模型，在各种基准测试中展示了强大的性能和高效的微调…
-
RoboDojo基准揭示AI机器人与人类表现的巨大差距
一项名为RoboDojo的新基准已发布，用于评估具身智能，包含42个模拟任务和18个真实世界机器人任务。该基准突显了当前AI模型与人类表现之间存在的巨大差距，在模拟环境中，最佳模型成功率仅为8.80%，在真实机器人上为12.8%，而人类的成功率分别为76.03%和100%。RoboDojo旨在为具身智能提供标准化和全面的评估，涵盖泛化能力、记忆、精度、长时序执行和开放式语义理解。
-
新模型通过整合视觉和状态来增强机器人操作能力
研究人员开发了几种新方法，通过更好地整合视觉信息与机器人的状态和动作来提高机器人操作能力。例如，GeoProp 是一种轻量级适配器，通过将机器人状态投影到图像平面并注入空间先验来对齐本体感觉和视觉。RoboDojo 提供了一个统一的模拟和真实基准，用于评估通用机器人操作策略在各种任务中的表现。DSWAM 引入了一种双系统方法，将世界动作模型执行器与视觉语言规划器相结合，以实现细粒度操作，而 DynaWM 使用专门针对动态物体操作的基于…