Robotic Foundation Models
PulseAugur coverage of Robotic Foundation Models — every cluster mentioning Robotic Foundation Models across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Kinematic MeanFlow 提升机器人模型动作生成速度
研究人员开发了 Kinematic MeanFlow (K-MF)，这是一种新颖的一步式动作生成策略，旨在提高机器人基础模型 (RFMs) 的效率。传统的多步流匹配方法存在较高的推理延迟，K-MF 通过解耦 MeanFlow 公式中的时间导数项来解决这一问题。这种方法使 K-MF 能够更好地捕捉 RFM 速度场在去噪过程中的独特动力学，从而减轻误差放大并实现更快的动作生成。新策略已在 GR00T-N1.6 等模型的动作头延迟方面取得了…
-
Kinematic MeanFlow 将机器人模型延迟最多降低 74%
研究人员开发了 Kinematic MeanFlow (K-MF)，这是一种新颖的一步动作生成策略，旨在降低机器人基础模型 (RFMs) 的推理延迟。K-MF 通过解耦时间导数项来解决 MeanFlow 框架中观察到的性能问题，使其能够更好地捕捉早期和晚期去噪动态。这一新策略使 RFMs 能够实现一步动作生成，并显著降低延迟，在各种任务中优于多步流匹配。
-
AttenA+ 框架通过速度感知训练提升机器人基础模型
研究人员开发了 AttenA+，一个旨在通过解决训练过程中的动作不平等来改进机器人基础模型的新框架。该框架通过基于逆速度场重新加权训练目标，优先处理机器人轨迹中运动学关键的、通常低速且需要精度的片段。这种物理感知方法增强了现有视觉-语言-动作 (VLA) 和世界-动作模型 (WAM) 在复杂任务上的性能，并在 Libero 和 RoboTwin 2.0 等基准测试中显示出显著改进。