Unitree Go2
PulseAugur coverage of Unitree Go2 — every cluster mentioning Unitree Go2 across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
AVALON框架为机器人实现零样本室内导航
研究人员开发了AVALON，一个用于在未映射环境中运行的室内服务机器人的新型拓扑导航框架。该系统利用人类种子空间记忆、节点验证执行以及人机记忆的联合更新机制。AVALON仅需要一个平面图和初始对齐，无需机器人构建SLAM地图。实验表明，AVALON的效率很高，与现有方法相比，导航任务完成得更快、更可靠。
-
新的GG-Nav框架增强导航AI推理能力
研究人员开发了GG-Nav，一个旨在提高导航基础模型推理能力的新框架。该系统通过采用结构化的思维链机制，解决了利用流式观测和精确目标定位的局限性。GG-Nav明确地定位与目标相关的实例，累积地面化证据，并支持更可靠的决策制定，在多个基准测试中表现优于最先进的方法，并在真实机器人上展示了零样本泛化能力。
-
新的TEMPO方法可实现机器人策略的实时适应
研究人员开发了一种新颖的机器人运动策略测试时自适应（TTA）方法TEMPO。该方法使机器人在无需明确奖励或大量重新训练的情况下，能够实时调整其行为，从而解决因操作条件变化而导致的故障。TEMPO利用熵正则化技术来防止过度自信的预测，并使用一个优先考虑挑战性观测值的内存系统以实现更高效的计算。在Go1、Go2和G1等各种机器人模型上进行的测试表明，TEMPO在模拟环境中性能显著提升，增幅高达80%，并在实际Unitree Go2机器人上得到了验证。
-
机器人策略学习通过新的记忆和时间整合方法取得进展 · 跟踪 6 个来源
机器人领域的最新研究正在探索如何通过明确地将物理时间整合到记忆动态中来改进策略学习。论文提出了 RSSM-RLPD 等方法，用于从真实机器人交互中学习未观察到的状态，IMPRINT 用于无策展的潜记忆多流学习，以及 TEMPO 用于高效的测试时适应。其他方法，如 PoLAR，将潜动作分解为范围和模式，而时间流策略 (TFP) 和 Chronos Policy 分别将物理时间作为记忆和策略条件化的直接组成部分，以处理不同的观察率和推理延迟。
-
新的强化学习方法允许四足机器人在运行时调整运动偏好
研究人员开发了PROMO，一种用于四足机器人的新型偏好条件多目标强化学习方法。该方法允许单一运动策略在运行时适应不同的操作员偏好，平衡诸如命令跟踪、稳定性和能效等目标。PROMO在模拟中展示了广泛的帕累托覆盖率和可预测的偏好响应，在转移到Unitree Go2机器人后，在能效、位置误差和身体姿态偏差方面取得了显著改进。
-
MobileVLA-R1 2.0 通过推理和强化学习提升机器人指令遵循能力
研究人员推出了 MobileVLA-R1 2.0，一个旨在增强移动机器人遵循复杂、长时程指令能力的新框架。该系统集成了结构化推理、强化学习和思维链对齐，以弥合高级理解与低级机器人控制之间的差距。在包括 Unitree Go2 和 G1 机器人的导航和操作等各种任务上的评估显示，与先前版本相比有了显著改进，尤其是在真实世界的移动操作场景中。
-
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。