VLABench
PulseAugur coverage of VLABench — every cluster mentioning VLABench across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架RynnVLA-Latent使用潜在动作扩展机器人操作模型
研究人员开发了RynnVLA-Latent,一个旨在扩展机器人操作视觉-语言-动作(VLA)模型预训练的新框架。该方法利用源自多样化视频数据的潜在动作,绕过了特定于具身调优的需求,并克服了稀缺动作标记演示的局限性。RynnLAM组件从视觉转换中学习连续的、3D接地的潜在动作,使模型能够捕捉与控制相关的运动。该框架在包括LIBERO、LIBERO-Plus、VLABench和RoboTwin 2.0在内的各种模拟和真实世界机器人基准测试…
-
新的视觉语言-动作框架使用“想象力”进行高效机器人控制
研究人员开发了IG-VLA,一个新颖的视觉语言-动作(VLA)模型框架,通过使模型能够“想象”未来场景演变来增强机器人操作。这种方法在最近的arXiv论文中有所介绍,它使用潜在时空推理来预测未来状态,而无需昂贵的像素级生成。为了进一步优化效率,IG-VLA包含一个场景精髓记忆(Scene Gist Memory),将推理得出的关联存储为紧凑的令牌,从而在推理过程中绕过显式的未来想象。在LIBERO和VLABench等基准测试上的实验表…
-
GaussMemory:用于任务驱动机器人记忆的新型3D高斯飞溅
研究人员推出GaussMemory,这是一种利用3D高斯飞溅进行任务驱动空间记忆的新型机器人操作方法。与以往的被动系统不同,GaussMemory在端到端学习过程中主动学习跟踪哪些对象、如何更新它们以及丢弃什么。这种主动记忆系统在LIBERO和VLABench等基准测试中表现出色,在长时程机器人任务中优于现有方法。
-
新的DIRECT框架优化具身AI规划器的计算
研究人员开发了一个名为DIRECT的新框架,用于优化具身AI规划器的计算资源分配。该系统分析多模态场景上下文以智能地路由计算,与固定的模型选择策略相比,提高了效率并降低了延迟。在基准测试和物理机器人手臂上的实验表明,DIRECT可以以显著更低的成本实现相当或更好的成功率。
-
新框架利用轨迹数据检测机器人执行失败
研究人员开发了一个名为 Hide-and-Seek 的新框架,以提高使用视觉-语言-动作 (VLA) 模型的机器人的可靠性。该方法通过识别表明问题的特定动作来检测执行失败,而无需详细的逐行注释。通过在轨迹级别数据上使用对比学习,Hide-and-Seek 可以精确定位失败信号,并在准确性和及时性之间取得良好的平衡,适用于现实世界的机器人应用。