Ur5
PulseAugur coverage of Ur5 — every cluster mentioning Ur5 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
TCP4D模型统一机器人操作跟踪与生成
研究人员开发了TCP4D,一个专为机器人操作设计的创新模型,它能够从单目RGB视频中统一跟踪和生成工具中心点(TCP)姿态。该模型使用共享的4D场景表示,可以恢复SE(3)中的度量TCP姿态和夹爪状态,以及场景几何和相机参数。TCP4D还具有一个跨体增强管线,可以将现有机器人的演示转换为不同机器人的新演示,而无需源机器人状态,从而显著提高在真实世界任务中的性能。
-
MITO数据集与模拟器利用毫米波传感技术推进非视线感知
研究人员推出了一款名为MITO的新型数据集和模拟器,旨在利用毫米波(mmWave)传感技术增强非视线(NLOS)感知能力。该数据集包含超过2400万个毫米波帧和550张高分辨率毫米波图像,以及RGB-D数据和分割掩码,这些数据是使用配备了毫米波雷达和摄像头的UR5机器人手臂收集的。MITO旨在通过使系统能够‘看穿’纸板或织物等常见遮挡物来克服光学感知的局限性,并为NLOS分割和分类建立基准。
-
Google DeepMind发布Genie 4世界模型,支持动态环境生成
Google DeepMind发布了Genie 4,一个能够生成交互式环境并与Gemini模型集成以执行任务的新世界模型。Genie 4允许根据代理指令动态更新环境,从而为任务规划和执行创建反馈循环。这一进展解决了实时条件注入、因果验证以及不同AI模型之间异步协作的挑战。
-
RoboTracer系统通过3D空间推理增强机器人轨迹跟踪
研究人员开发了RoboTracer,一个利用3D空间感知和度量推理来增强机器人轨迹跟踪的新系统。与直接输出关节扭矩或依赖2D理解的先前方法不同,RoboTracer使用视觉语言模型将指令分解为具有物理尺度的多步3D轨迹。这种方法使机器人能够更好地理解和执行涉及精确运动和避障的复杂任务,即使面对不同的物体或距离。
-
新的SA-WAM模型将3D数据整合到机器人策略学习中
研究人员开发了一个空间感知世界动作模型(SA-WAM),该模型将3D几何信息整合到用于机器人策略学习的大规模预训练视频扩散模型中。该模型重新利用现有的视频扩散骨干网络来同时预测动作、RGB和深度,从而无需大量微调即可实现3D感知世界建模。SA-WAM在RoboCasa和LIBERO-Plus等基准测试中表现出最先进的性能,并在UR5机械臂上显示出强大的实际改进。
-
RSS 2026 上具身人工智能转向“想象力”,世界模型是关键 · 跟踪 1 个来源
在 RSS 2026 会议上,具身人工智能的重点已从数据驱动的模仿转向由世界模型驱动的“想象力”。研究人员正超越仅仅生成逼真的视频,而是将世界模型用作机器人“逻辑核心”和“虚拟沙盒”。这使得机器人在执行前能够预测结果并规划行动,从被动反应转向主动预测,并实现跨任务和跨载体的泛化。
-
深度强化学习改进机器人抓取
研究人员开发了一个新颖的强化学习框架,以提高机器人抓取能力。该系统集成了深度Q网络(DQN)和基于关键点的物体表示,利用二维图像来精炼初始抓取候选。在Dex-Net数据集上使用UR5机械臂进行的实验表明,对于先前无法抓取的物体,成功率达到了100%。该框架的有效性通过在Delta并联机器人上的仿真到真实迁移得到了进一步验证,展示了其在可扩展和适应性强的机器人操作方面的潜力。