Ursa Minor
PulseAugur coverage of Ursa Minor — every cluster mentioning Ursa Minor across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
用户面临图床问题，关联AI陪伴主题
用户正经历图床服务的技术难题，将此状况比作服务器宕机和灾后恢复。他们表达了对持续霉运的沮丧，即使在认为困难时期结束后也是如此。帖子还触及了AI陪伴和人机关系的主题，并提到了Claude。
-
旅行者1号将于2026年11月达到距离地球一光日的距离
旅行者1号航天器将于2026年11月18日达到距离地球一光日的距离，这将是人造物体最远距离的历史性里程碑。这一成就距离其发射近50年，远远超出了其最初的五年任务。尽管面临内存错误和电源波动等挑战，工程师们仍设法保持了探测器的运行，其电源预计将持续到2030年代。旅行者1号继续其星际空间之旅，正朝着一颗名为AC +79 3888的恒星前进。
-
新的 UMI-Live 系统支持野外双臂机器人数据采集
研究人员开发了 UMI-Live，这是一个开源系统，旨在在真实环境中收集双臂机器人数据。该系统集成了摄像头和 LiDAR 等各种传感器以及车载计算，无需外部跟踪或校准。UMI-Live 异步处理数据，创建可用于机器人学习的现成数据集。通过微调两个模型 $\pi_{0.5}$ 和 MolmoAct2，证明了该系统的有效性，这两个模型在双臂抓取和放置任务上取得了很高的成功率。
-
新的FLORE框架使人形机器人能够学习力反馈操控
研究人员开发了FLORE，一个新的人形机器人框架，使其能够学习和控制操控任务中的接触力。该系统利用力反馈夹爪和可穿戴追踪器收集演示数据，然后训练一个扩散策略。该策略预测动作和每只手的力指令，由混合顺应性控制器执行，该控制器能保持平衡并准确追踪力。在测试中，FLORE在接触密集型任务上达到了80%的成功率，显著优于仅位置控制策略，后者仅成功26.7%的时间。
-
北大团队开发HIL-UMI，无需实体机器人即可进行机器人训练后部署
来自北京大学和启元机器人的研究人员开发了HIL-UMI，这是一种新颖的、无需依赖实体机器人即可对具身AI模型进行训练后部署的方法。该方法解决了传统机器人训练的高成本和后勤挑战，而传统训练通常需要广泛的真实世界数据收集和干预。HIL-UMI使用一个“人在回路”系统，操作员使用手持设备执行任务，同时后台的AI模型预测动作并标记差异，仅在模型遇到困难时触发有针对性的数据收集。这大大提高了数据收集效率，并允许具身智能体的分布式、可扩展训练。
-
哥伦比亚大学团队开源低成本机器人触觉传感器
哥伦比亚大学的研究人员开发了FlexiTac，这是一个开源、低成本、柔性的压阻式触觉传感器平台，旨在使机器人的触觉感知像视觉感知一样可扩展。该系统在IROS 2026上进行了详细介绍，其组装过程简单、耐用性高且批次一致性好，即使是本科生研究也能轻松使用。FlexiTac已在学术界和工业界得到广泛应用，促成了各种应用和合作，包括Analog Devices正在开发一个分辨率显著提高的商业版本。
-
X-Planner系统通过事件结构化表征增强具身AI任务规划能力
研究人员推出X-Planner，一个旨在改进具身人工智能任务规划的新系统。该系统通过使中间规划结构更加明确，解决了当前视觉-语言-动作（VLA）模型的局限性。X-Planner结合了真实机器人数据和共享的VLM骨干网络，提供了两种不同的规划表征：用于可解释事件状态的离散接口和用于连续推理的潜在接口。评估表明，X-Planner在规划质量和下游执行任务方面表现具有竞争力。
-
新的SlipSense框架在机器人滑移检测中达到96.7%的F1分数
研究人员开发了SlipSense，一个新颖的多模态触觉学习框架，旨在实现机器人领域低延迟和泛化的滑移检测。该系统集成了高频压阻阵列和三轴加速度计，以捕捉空间压力分布和摩擦引起的振动。SlipSense表现强劲，以低误报率实现了96.7%的宏观F1分数，并能在23.1毫秒内检测到滑移事件。值得注意的是，该框架展现了零样本泛化能力，无需重新训练即可有效地迁移到不同的机器人平台和传感器配置上。
-
新的VLA模型通过远见和大规模数据增强机器人操作能力
研究人员开发了新的方法来提高机器人领域中视觉-语言-动作（VLA）模型的性能，特别是在复杂、长周期的任务方面。一种方法是“远见残差强化学习”（Foresight Residual RL），它通过引入预测未来子任务成功率的远见值来增强信用分配，从而显著提高整体任务完成率。另一项开发是Xiaomi-Robotics-1，它使用超过10万小时的真实世界机器人轨迹和一个自动标注流程来扩展VLA模型，在各种基准测试中展示了强大的性能和高效的微调…
-
北京大学教授提出新的具身AI二维Scaling Law
北京大学副教授、商汤启元首席科学家董浩提出具身AI发展新范式。他认为，当前仅依赖模仿学习或强化学习的方法存在局限性，尤其是在处理错误和实现通用智能方面。董浩提倡一种二维“Scaling Law”，该法则同时考虑数据量和任务数量，旨在让机器人通过更多学习变得更高效、更有能力。
-
新的基准和接口推动了双臂机器人操作的发展
研究人员推出了 DuoBench，这是一个用于评估双臂机器人操作的新框架，该框架在模拟和部分真实世界中实现。该基准包括十一个任务和一个新颖的评估方案，用于详细的故障分析，揭示了当前策略在复杂的双臂协调方面存在困难。另外，YUBI 接口已被开发出来，它具有一个可屈服的、由手指驱动的夹持器，旨在为双臂任务提供更直观和符合人体工程学的数据收集。与 UMI 等现有系统相比，YUBI 在灵活性和效率方面具有优势，能够创建一个大规模数据集，使策略…
-
VISTA框架通过验证数据改进机器人训练
研究人员开发了VISTA，一个旨在利用真实机器人数据改进视觉-语言-动作（VLA）模型训练的框架。该框架解决了相机视角失真和人类收集的轨迹在物理上不可行等挑战。VISTA包含一个新的数据集（UMI-VQA），用于处理失真的视觉输入，以及一个验证流程，用于过滤不安全或不可能的机器人动作，从而提高策略性能。
-
基于17,800小时真实机器人数据训练的开源具身世界模型
研究人员推出了τ0-World Model (τ0-WM)，这是一个开源的具身世界模型，在海量的30,000小时数据上进行了训练，其中大部分（17,800小时）来自真实机器人远程操作。该模型超越了预测未来状态的能力，通过引入测试时计算（Test-Time Computation），使机器人在执行前能够评估和选择最优动作，甚至纠正潜在错误。与之前的模型相比，τ0-WM在复杂操作任务上表现出更优异的性能，挑战了仅将真实世界数据用于微调的传统方法。
-
英伟达Jim Fan：VLA和远程操控已死，世界动作模型崛起
英伟达的Jim Fan宣布视觉-语言-动作（VLA）模型和机器人远程操控的终结，并倡导世界动作模型（WAM）作为新范式。Fan提出，受大型语言模型（LLM）的启发，WAM将利用下一状态预测和动作微调来进行机器人控制。他强调，将以第一人称人类视频数据作为主要训练来源，摆脱远程操作数据收集的局限性。