Unitree Go2
PulseAugur coverage of Unitree Go2 — every cluster mentioning Unitree Go2 across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新框架NavMCP通过结合VLMs和NFMs增强物理世界代理
研究人员开发了NavMCP，这是一个结合了视觉语言模型（VLMs）和导航基础模型（NFMs）的框架，以创建更强大的物理世界代理。这种构建方法允许VLMs指导长距离探索和推理，而NFMs则处理导航任务的精确执行。该系统在HM-EQA、MT-HM3D和EXPRESS-Bench等多个基准测试中展示了最先进的性能，并在Unitree Go2机器人上取得了显著的成功率，尤其是在任务范围增加的情况下。
-
机器人安全漏洞允许单次感染蔓延至整个车队
发现了一个安全漏洞，可能允许一个受感染的机器人传播到附近其他易受攻击的机器人，从而使攻击者能够控制整个机器人车队。该漏洞在关于 Unitree Go2 机器人的报告中得到详细说明，突显了一个关键的远程代码执行缺陷。
-
新研究探讨真实世界和制度环境下的AI策略评估
两篇新研究论文，SCAPE和Second-Order Policy Effects as State Transitions，解决了在复杂、真实世界场景中评估AI策略的挑战。SCAPE专注于机器人领域，使用模拟增强方法来预测场景条件下的真实世界性能，并改进Unitree Go2等物理机器人的部署策略。第二篇论文引入了一个考虑二阶效应（如参与者适应和制度环境变化）的策略模拟基准，在各种公共政策案例中实现了0.945的平均策略效应质量。
-
中国人形机器人热潮创造新的维修技术员岗位
中国人形机器人出货量的激增创造了一个新的维修技术员就业市场。这些技术员月薪约六千元，接受过拆卸和诊断机器人问题的培训，Unitree Go2 是他们经常维修的常见型号。
-
新的 Dyna 风格强化学习方法缩短了四足机器人训练时间
研究人员开发了一个新的 Dyna 风格框架，显著提高了四足运动强化学习（RL）的数据效率。通过整合一个学习到的转移模型来生成合成数据，该方法减少了稳定控制所需的模拟步数。在 Unitree Go1 机器人上的实验表明，仅需 1964 万次模拟步数即可收敛，相比之下，之前需要 2753 万次，训练时间减少了 12.24%，且策略性能并未受到影响。该框架的有效性在 ANYmal 和 Unitree Go2 机器人上得到了进一步验证，证明了…
-
开源框架通过可微分仿真实现可部署的四足动物运动
研究人员开发了Open-DiffLoco，一个用于通过可微分仿真训练四足动物运动策略的开源框架。该框架能够将训练好的策略迁移到实际硬件（如Unitree Go2）上，而无需复杂的奖励工程或特权观察。该系统表现出强大的性能，以低误差跟踪速度指令，在不平坦的地形和物理干扰下也能达到超过1米/秒的速度。训练效率高，仅需少量GPU内存，且可在不到一小时内完成。研究还提出了一种名为Jacobian-Augmented Value Estimat…
-
机器人实时适应物理变化
研究人员开发了一个新的四足机器人框架，使其能够实时适应物理形态的变化。该系统可以在半秒内识别出形态变化，例如关节活动范围受限或质量变化。在 Unitree Go2 机器人上进行测试时，即使一条腿被锁住或负载显著增加，自适应控制也能保持稳定的运动，优于非自适应方法。
-
新RL方法PGTT增强了腿式机器人地形穿越能力
研究人员开发了一种名为Phase-Guided Terrain Traversal (PGTT) 的新型强化学习方法，用于腿式机器人。该方法使用奖励塑形来强制执行步态结构，使策略可以直接在关节空间中运行并适应不同的机器人形态。与现有基线相比，PGTT在模拟环境中表现出更高的成功率，在处理干扰和障碍物方面也更优越。初步结果表明，该方法可以迁移到Unitree Go2和ANYmal-C等现实世界机器人上，只需进行少量重新调整。
-
四足机器人通过强化学习掌握自适应上下楼梯能力
研究人员开发了一种新颖的两阶段深度强化学习框架，使四足机器人（特别是 Unitree Go2）能够为消防任务导航和适应各种室内楼梯。该方法首先在 Isaac Lab 的抽象金字塔地形上训练机器人，然后将学习到的策略迁移到更复杂、更真实的室内楼梯，包括直线型、L 型和螺旋型设计。这种方法仅使用局部高度图感知即可统一学习导航和运动，展示了跨不同楼梯形状的策略泛化能力，并对不同难度下的性能进行了分析。
-
新的训练方法通过潜在想象增强机器人导航能力
研究人员开发了一种新的训练方法，用于训练腿式机器人的导航策略，该方法增强了它们预测和响应动态环境的能力。通过在训练期间引入轻量级的预测监督机制，机器人的循环状态学会预测未来障碍物的移动。这种预测信号在推理时会被丢弃，但能显著提高导航成功率并减少碰撞，而不会增加计算开销。该方法已在 Unitree Go2 机器人上成功实现了零样本模拟到现实的迁移，使其无需微调即可在复杂的室内外场景中导航。
-
OpenBMB发布用于设备端机器人的MiniCPM-Robot模型
OpenBMB发布了两个新模型MiniCPM-RobotTrack和MiniCPM-RobotManip，专为机器人设备端AI设计。MiniCPM-RobotTrack专注于语言条件下的目标跟踪，利用融合的视觉特征预测未来航点，并实现高效的设备端推理。MiniCPM-RobotManip是一个更大、更通用的视觉-语言-动作模型，用于具身操作，性能优于其他模型，并具有流式上下文功能，可用于长视域决策并减少计算量。
-
AR 系统 fARfetch 提升户外任务中的人机协作
研究人员开发了 fARfetch，一个新颖的增强现实系统，旨在提升在大型、视觉多样化的户外环境中人机协作能力。该系统集成了共享语义地图以实现基于地标的指令，微型世界表示用于路径创作，以及一个视觉语言模型以动态调整虚拟内容以获得最佳可读性。在涉及 30.5 米户外检查任务的用户研究中，与非 AR 基线相比，fARfetch 将任务完成时间显著缩短了 66%，并降低了用户的工作量和挫败感。
-
新的DSP-SLAM++框架增强了实时对象SLAM能力
研究人员推出了一款名为DSP-SLAM++的统一框架，旨在改进面向对象的同步定位与地图构建（SLAM）系统。该新框架解决了实时性能、多类别对象支持和高保真对象模型生成之间的权衡问题。DSP-SLAM++通过异步建图管线和针对单目鱼眼-激光雷达设置的专用传感器融合，实现了高达70%的处理延迟降低，并支持实际的现实世界应用。
-
新的四足运动方法实现56%的节能
研究人员开发了一种新的四足运动方法，称为LoComposition，该方法侧重于能源效率和地形适应性，而不依赖于预定义的步态模式。这种方法将任务规范、操作限制、能量最小化和地形适应性分离为不同的机制。实验表明，LoComposition在地形穿越方面与传统方法相当，同时显著降低了能源消耗和操作限制违规。所产生的策略已成功迁移到使用基于LiDAR的映射的物理Unitree Go2机器人上。
-
新型机器人导航系统使用贝叶斯优化增强规划
研究人员开发了一种新的无地图自主机器人导航框架，该框架将反应式规划与非线性模型预测控制（MPC）相结合。该系统使用基于 LiDAR 的高斯占用表示和 A* 搜索算法来生成无碰撞轨迹，然后由 MPC 公式进行跟踪。为了优化控制器参数，采用了利用树状 Parzen 估计器（TPE）和高斯过程代理的离线贝叶斯优化方案。该框架在 Unitree Go2 机器人在模拟和物理硬件上成功进行了评估，实现了 90.0% 的导航成功率，并展示了从模拟到…
-
Conquer框架使四足机器人能够学习协调技能
研究人员开发了一个名为Conquer的新框架，使四足机器人能够持续学习和适应协调技能。该系统解决了现有方法在顺序任务和灾难性遗忘方面的局限性。Conquer利用语义技能库和团队结构骨干，允许机器人检索、适应和更新技能，促进不同任务和团队规模之间的知识转移。实验表明，在模拟中成功率为95.6%，并在Unitree Go2机器人上成功部署。
-
PlatonicNav框架支持纯视觉导航，无需配对数据
研究人员推出了一种新颖的具身导航框架PlatonicNav，该框架在训练期间无需配对的视觉-语言数据。该系统采用纯视觉方法构建语义地图，然后通过盲过程匹配语言目标。PlatonicNav旨在通过将各种导航任务（包括视觉-语言导航和物体目标导航）视为共享的以物体为中心的语义流形的接口来统一它们。
-
Unitree推出UniStore，首个仿人机器人运动包应用商店
Unitree Robotics推出了UniStore，这是首个专门为仿人机器人任务-运动包设计的应用商店。该平台允许用户通过移动应用程序轻松地将其Unitree机器人下载和安装各种运动应用程序，如舞蹈动作和武术。UniStore上线时提供24款不同的运动应用程序供下载。