robot learning
PulseAugur coverage of robot learning — every cluster mentioning robot learning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
EgoWAM框架利用自我中心人类数据增强机器人学习
研究人员开发了EgoWAM，一个用于机器人学习的框架，该框架利用自我中心人类数据来改进操作任务。这种方法通过预测动作以及场景如何演变来共同训练策略，其性能优于传统的行为克隆。研究发现，与基于像素的预测相比，使用DINO或3D运动流进行世界预测可显著增强泛化能力和领域内性能。
-
新研究推进机器人和LLM的策略优化
研究人员引入了几种新方法来增强强化学习中的策略优化，特别是针对涉及机器人和大型语言模型（LLM）的复杂任务。MODIP旨在通过使用世界模型来指导适应，从而高效地微调机器人学习中的扩散策略，与标准的模仿学习相比，提高了稳定性和性能。N-GRPO和T2-GRPO分别侧重于通过采用新颖的嵌入层混合和多视域奖励策略来改进LLM在数学推理和护理代理等任务中的探索和奖励分配。此外，CATPO和GenPO++通过改进基于树的方法和生成策略来提高训练…
-
COBALT平台使用智能手机进行众包机器人学习数据
研究人员开发了COBALT，一个基于云的远程操作平台，使用智能手机收集大规模机器人学习数据。该系统允许多个用户同时为机器人训练做出贡献，显著降低了成本，并实现了几乎任何地方的数据收集。一项用户研究证实，基于智能手机的操作与专用硬件一样有效，在短短五天内就收集了来自九个国家的7500多个演示。
-
SynapX推出SYNData，用于具身AI机器人学习
SynapX推出了SYNData，一个专为收集具身AI开发关键多模态数据而设计的新系统。该系统采集本体视觉、肌电信号和外骨骼手套的数据，促进了大规模人类操作数据的获取。收集到的数据旨在推动机器人学习。
-
调查探讨了机器人从人类视频和世界模型中学习，同时新的网络解决了驾驶员监控问题。
两篇新的调查论文探讨了机器人学习的进展，重点关注不同的数据获取和利用策略。一篇论文全面回顾了世界模型，这些模型是机器人策略学习、规划和模拟的关键预测表示，并强调了它们随着基础模型和视频生成而演变。第二篇调查侧重于从人类视频中学习机器人操作技能，通过利用丰富的人类活动录像和计算机视觉技术来解决机器人数据扩展的挑战。