传感器运动对齐:机器人模型的离线评估方法
本文提出了传感器运动对齐(S²)作为一种成本效益高的离线方法,通过测量感官表示与物理运动之间的对齐程度来评估机器人模型。
arXiv · 预印本阅读全文 ↗
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。
本文提出了传感器运动对齐(S²)作为一种成本效益高的离线方法,通过测量感官表示与物理运动之间的对齐程度来评估机器人模型。
AdaDex 是一种目标条件强化学习框架,结合运动跟踪和泛化能力,从简短的人类演示中学习可适应的灵巧技能。
EventSync 是一个分层框架,通过事件驱动的内存更新来改善依赖历史的机器人操作,协调任务推理和动作执行。
该研究探讨了仅使用关节传感是否可以在没有视觉、力、扭矩或触觉反馈的情况下实现精确的机器人装配任务。
CoDA 是一个框架,通过共享内存系统协同进化模拟数据引擎和动作策略,以提高机器人训练效果和分布外的成功率。
P³-WAM 是一个集成三维感知、动作预测和目标导向规划的统一模型,适用于以自我为中心的灵巧操作。
LIBERO-PeRM 提出了一种评估个性化机器人操作的基准,专注于嵌入式代理中的偏好学习。
本文介绍了SafeDriveVLA,这是一种旨在通过预测导航合规模式并使用导航条件化世界模型梦境来确保安全的视觉-语言-动作模型。
ChunkAct通过引入动作分块来提高自主机器人中的效率,减少对重复LLM推理的需求。
Chronos Policy 通过显式引入物理时间来改进机器人策略,解决了固定速率观测-动作序列在可变观测率和推理延迟下的局限性。
Splat2Act 是一个自动化流水线,使用手持手机扫描和用户物体的图像将预训练的视觉语言动作策略个性化到特定场景和物体集。
RESCUE 是一种反事实框架,用于评估运行时监控器的报警是否能启用有用的干预。