robot control
PulseAugur coverage of robot control — every cluster mentioning robot control across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的DUPO方法利用扩散模型改进强化学习
研究人员推出了一种新方法，称为扩散引导的不确定性感知延迟策略优化（DUPO），以解决由延迟反馈引起的强化学习性能下降问题。DUPO使用扩散模型显式地建模延迟状态与当前状态之间的关系，从而能够估计差异并相应地加权延迟策略。在机器人控制任务上的实验表明，DUPO在超越现有方法方面非常有效，尤其是在具有长期和随机延迟的场景中。
-
新框架使机器人无需重新训练即可适应新环境
研究人员引入了情境世界模型（ICWM），这是一个旨在提高机器人策略适应性的新框架。ICWM将系统识别视为一种情境适应问题，使机器人能够在无需参数更新的情况下，从自我生成的交互中推断出关键系统变量。这种方法使策略能够理解当前系统的动态并适应新颖的配置，例如不同的摄像头视角，在实验中表现优于标准的视觉-语言-动作模型。
-
图像编辑模型取代机器人控制系统中的视频生成
研究人员开发了ImageWAM，一个利用预训练图像编辑模型进行机器人控制的新框架，挑战了世界动作模型（WAMs）中视频生成的必要性。该方法通过专注于与动作相关的视觉转换而非完整的视频预测，显著降低了计算成本和推理时间。实验表明，ImageWAM在模拟和现实世界场景中均优于现有基线，与基于视频的WAMs相比，FLOPs减少了1/6，延迟减少了1/4。
-
ETH Zurich 发布涵盖基础模型的综合机器人学课程
ETH Zurich 发布了一个受欢迎的机器人学课程，涵盖了从机器人学基础原理到基础模型等主题。课程内容包括机器人控制、基于学习的机器人学以及基础模型的最新进展，为机器人学和人工智能智能体领域的研究人员和从业者提供了宝贵的见解。
-
RepWAM模型通过视觉-动作标记化增强机器人操作能力
研究人员推出了一种新颖的世界动作模型RepWAM，专为机器人操作设计。该模型利用语义视觉-动作标记化创建一个潜在空间，更好地将语言指令与机器人控制联系起来，性能优于传统的面向重构的标记器。在真实任务和模拟中的实验表明，RepWAM在各种操作场景中都有效，为更通用的机器人策略铺平了道路。
-
ModuLoop框架使用LLM进行机器人控制代码生成
研究人员开发了一个名为ModuLoop的新框架，用于生成机器人控制任务的低级代码。该系统利用预训练的大型语言模型（LLM）来规划和创建代码，然后通过集成的调试探针执行。闭环过程允许迭代改进和纠正，从而能够创建精确、可执行的控制程序。ModuLoop已成功应用于实际的机器人任务，包括相机校准和抓取放置操作，展示了高精度和自主性。