UR5e
PulseAugur coverage of UR5e — every cluster mentioning UR5e across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究旨在提升VLA模型的泛化能力和效率
研究人员正在探索新的方法来提高机器人领域中视觉-语言-动作（VLA）模型的泛化能力。一种方法是等变反事实训练（ECT），通过训练模型使用配对演示，其中相同的指令在不同场景下需要不同的动作，来解决指令-动作绑定失败的问题。该方法在真实机器人任务的成功率方面显示出显著的改进。另一个概念VLA-Dreamer提出将世界模型集成到VLA架构中，通过在嵌入空间而非像素空间预测未来状态来提高样本效率并实现短期规划。
-
新AI方法用更少演示学习复杂任务
研究人员开发了通过潜在拓扑自适应代理（AALT），一种主动模仿学习的新方法，该方法优先考虑可能解决多个任务的演示。该方法将现有演示组织成潜在中心状态的拓扑结构，识别出能够实现广泛任务连接的关键“桥梁”演示。在具有72个任务的模拟机器人领域中，AALT仅使用3次演示就实现了100%的任务成功率，显著优于需要更多演示和转换的基线方法。
-
新方法利用分层世界模型指导机器人遵循复杂指令
研究人员推出了一种名为 hint$^2$ 的新方法，旨在指导机器人执行在运行时指定的复杂指令。该方法利用分层世界模型在推理过程中提供时序逻辑引导。系统推导出两个不同的引导目标：一个来自高级模型以导航 LTL 自动机，另一个来自低级动力学模型以实现局部安全。
-
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…