robosuite
PulseAugur coverage of robosuite — every cluster mentioning robosuite across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架增强 AI 代理的持续学习和自我改进 · 跟踪 10 个来源
研究人员正在开发新的方法来增强 AI 代理的持续学习能力，使其能够在不忘记先前任务的情况下适应新任务。一种方法 TSRL，通过选择性地将监督应用于困难状态，将监督微调与强化学习相结合。另一种方法，激活条件选择性知识控制，使用神经元级别的梯度操纵来保护历史知识，同时适应新应用。此外，正在创建 EmbodiedCLBench 等新基准来评估具身代理的持续学习能力，并提出了 ReHarness 和 VeriFine 等框架来增强代理的自我改…
-
Skill2Real框架增强机器人技能从模拟到现实的迁移
研究人员开发了Skill2Real，一个新颖的代理策略框架，旨在改进机器人技能从模拟到现实应用的迁移。该框架利用一个提议者-验证者-管理者（Proposer-Verifier-Governor）循环来诊断结果并验证更新，确保学习到的技能能够基于可观察的数据和API语义。该系统取得了显著成功，使用GPT-5.6 Sol训练的技能在一个复杂任务上的成功率为56.3%，远高于初始的2.0%。当应用于现实世界的操作任务时，这些技能的完成率为78.75%。
-
机器人模仿学习指南发布
本文提供了一份机器人模仿学习（IL）的实现指南，重点关注从头开始训练的基于视觉的策略。它将IL与经典的显式策略和强化学习进行了对比，强调了IL无需手工算法或大量模拟的优势。该指南使用PyTorch、MuJoCo模拟和RoboSuite包来训练机器人在抓取方块等任务上的表现，并强调了基于传感器输入的泛化适应学习。
-
机器人通过玩耍学习技能，提高任务表现
研究人员引入了“玩耍式自主机器人学习”（Playful Agentic Robot Learning, RATs）系统，该系统使具身智能体在执行特定任务之前，通过自我导向的玩耍来学习技能。这种方法允许智能体提出新颖的探索性任务，编写和优化代码即策略程序，并将成功的执行提炼成可重用的技能库。实验表明，在玩耍过程中学到的技能显著提高了在LIBERO-PRO和MolmoSpaces等模拟环境下游任务上的表现，优于基线方法。这些学到的技能还可…
-
新的COMET算法通过面向对象的方法增强AI规划
研究人员推出了一种新颖的基于模型的强化学习规划算法COMET。COMET在基于槽的潜在空间中利用蒙特卡洛树搜索，将一个固定的无监督对象中心编码器与一个基于Transformer的世界模型配对。它包含一个独特的动作槽融合机制和对象因果注意力，以将决策集中在相关实体上。在跨不同任务的早期训练阶段，COMET在与现有的对象中心和整体基线相比，表现出了卓越的性能。
-
机器人AI使用原子探针治理组合策略中的技能更新
研究人员开发了一种名为原子探针治理（Atomic-Probe Governance）的新方法来管理组合机器人策略中的技能更新。该方法解决了单个技能的变化如何影响机器人系统整体性能的挑战。该研究引入了一种配对采样跨版本交换协议，并识别出一种“主导技能效应”（dominant-skill effect），即一项技能显著影响成功率，有时甚至高达50个百分点。为了高效处理这些更新，他们提出了一种原子质量探针（atomic-quality pr…