模仿学习中的内积正则化
本文介绍了内积正则化(InneR),以增强从演示中学习的机器人策略对状态扰动的鲁棒性,解决对传感器噪声、场景变化和累积误差的敏感性问题。
IAEI / RESEARCH & IDEAS
关注具身智能、机器人与交互学习的研究简讯,附原始资料与阅读链接。
持续关注研究进展
简讯基于公开研究摘要自动整理,不代表独立验证或协会背书。
本文介绍了内积正则化(InneR),以增强从演示中学习的机器人策略对状态扰动的鲁棒性,解决对传感器噪声、场景变化和累积误差的敏感性问题。
XBot-Omni 是一种 Thinker--Talker--Actor 架构,旨在通过多模态感知和表达来实现机器人之间的有效交互。
HEIR 是一个研究资源,通过将人类语音、目光和第一人称视频与机器人观察和导航操作轨迹配对,来研究人机交互。
TanCRAFT 是一种预测辅助系统,旨在通过预判用户动作并提供及时反馈来防止物理组装任务中的错误。
本文探讨了基于视觉-语言-动作(VLA)策略的机器人如何使用时间作为进度的代理,导致计数任务中的错误。
本文介绍了世界情境学习(WICL),使机器人能够在不依赖训练动作策略的情况下,在其环境中学习操作技能。
本文探讨了通用AI模型在无需任务特定训练的情况下能否比专用策略(如视觉-语言-动作模型和世界-动作模型)更可靠地控制机器人操作。
本文介绍了VLA-Tug,一种用于视觉-语言-动作模型的轻量级方法,旨在提高在分布偏移下的早期故障检测和分类能力。
本文介绍了Latent RL Prior,这是一种两阶段框架,利用模拟中的控制知识来提高视觉策略学习的效率,特别是在数据有限的情况下进行灵巧操作。
OopsieRecover 是一个框架,利用语义干预使VLA模型能够使用少量纠正数据来恢复故障。
HALO,一种人形机器人自主系统,通过从模拟环境中生成视觉-语言-运动数据来学习物理技能,并将其应用于现实任务。
DreamX 利用预训练的视频扩散模型学习一种可以在不同实体和环境中转移的通用动作表示。