UR5e
PulseAugur coverage of UR5e — every cluster mentioning UR5e across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
行智具身与复旦的30,000小时触觉数据让机器人获得“触感”
行智具身与复旦大学发布了一系列技术报告，介绍了N0系列模型，旨在通过整合触觉数据来增强具身智能。该项目包括一个包含超过30,000小时视觉-触觉交互数据的大型数据集，以及用于统一触觉表示的N0-Foundation模型和用于预测性触觉感知的N0-VTLA模型。这些进展旨在提高机器人的操纵能力，使它们能够通过触觉更好地理解和与物理世界互动，超越纯粹的视觉感知。
-
用于机器人手臂到达-避让任务的深度强化学习新基准
研究人员开发了一个新的机器人到达-避让任务基准，利用 MuJoCo MJX 物理引擎和 Brax 库进行并行化模拟和强化学习。该基准旨在捕捉现实世界的复杂性而不进行简化，解决了先前深度强化学习（DRL）智能体在简化环境中表现良好但在现实场景中失败的局限性。该研究在到达任务中实现了 UR5e 机器人 96.1% 和 Franka Emika 机器人 98.8% 的最先进成功率，在静态到达-避让任务中分别实现了 86.8% 和 95.2%…
-
新框架通过低成本硬件和姿态不确定性处理增强工业抓取能力 · 跟踪 2 个来源
研究人员开发了两个不同的框架，旨在改进工业抓取，这项任务由于混乱和遮挡仍然具有挑战性。第一个框架 Pickalo 利用低成本硬件，包括 RGB-D 相机和 SAM-6D 姿态估计器，在密集填充的容器中实现了高抓取率和成功率。第二个框架提供了一种模块化方法，用于联合处理物体姿态估计和抓取中的不确定性，并结合多视图融合和可互换模块，以增强机器人生产系统的灵活性和可靠性。
-
新的DART方法使单样本VLA模型能够适应环境迁移
研究人员开发了一种名为域算术（Domain ARiThmetic, DART）的新方法，能够以最少的数据高效地将视觉-语言-动作（VLA）模型适应到新环境。DART利用权重向量算术和特定域信息添加，仅需一次演示即可完成适应。该方法在模拟和真实世界场景中均优于现有方法，解决了相机姿态或机器人实体变化带来的挑战。
-
HIL-ResRL：AI机器人适配器1小时微调，成功率提升至95%
研究人员开发了HIL-ResRL，一种用于视觉-语言-动作（VLA）模型的新型适配器，能够对真实世界机器人任务进行快速、安全的微调。该系统使用轻量级的残差策略，并结合了人工干预（human-in-the-loop）来纠正错误，并将预训练的VLA模型适配到特定的工业环境中。在UR5e机器人手臂的测试中，HIL-ResRL在经过仅一小时的实时训练后，在抓取放置和插拔等任务上取得了超过95%的成功率，显著优于现有的强化学习基线，并通过最大限…