表征
共 44 篇相关内容
对话 Copper-Policy 团队：从像素预测走向紧凑世界表征
为了让机器人具备更强的认知与物理交互能力，研究者开始探索世界动作模型（WAM）。WAM 通过视觉动力学预测场景的演化，将「世界应当变成什么样」与「机器人如何实现这一变化」联系起来。即使测试时不生成未来，联合训练的收益仍然存在。 那么，WAM…
上海交大、创智学院、穹彻智能联合发布 UniFlowWAM： 当「流」成为模态
上海交大、创智学院、穹彻智能联合发布 UniFlowWAM： 当「流」成为模态 近半年来，有关 WAM 的研究越发出现一种趋势，即将物理世界的信号提取为抽象模态，成为数据并进入编码器中，用于具身模型的学习。积水成冰，随着越来越多的团队叩问什…
英伟达提出 ThinkWorld，把动作写成链，用想象的未来判对错
机器人演示采集成本高，覆盖的场景和动作有限。互联网上虽然有大量人类第一视角视频，却零散杂乱，也没有机器人可以直接执行的动作标签。VLA 怎样吸收这些视频里的操作经验？ 针对这个问题，英伟达联合 KAIST（韩国科学技术院），于 10 月 2…
谷歌发布 Genie 4，Genie 系列首次原生生成音频
北京时间 10 月 28 日凌晨，谷歌 DeepMind（Google DeepMind）在官方博客发布新一代世界模型 Genie 4，谷歌官方博客同步发文介绍，谷歌 CEO Sundar Pichai 同时在 X 上发帖宣布。能实时交互、…
8B 负责推理，8B 负责「想象」：达摩院给机器人搭了个什么大脑？
主：8B 负责推理，8B 负责「想象」：达摩院给机器人搭了个什么大脑？ 副：大模型，开始用视频打草稿 小红书正文 对于机器人来说，脑补被遮挡的物体实在太难了。10 月 23 日，阿里巴巴达摩院团队联合湖畔实验室发表论文《迈向统一具身大脑》（…
SharpaDex v1.0 正式开源：发布约 300 小时真实触觉操作数据，覆盖 59 种任务
10 月 22 日，Sharpa 正式开源灵巧操作数据集 SharpaDex v1.0。该数据集包含约 300 小时真实机器人操作数据、28,993 条示教和 32,396,172 帧数据 ，覆盖 59 种操作任务。根据 Sharpa 官方…
具身智能前沿取得重大突破！SuperMimic 或为机器本体扫清算力障碍
10 月 21 日，加州大学伯克利分校（UC Berkeley）团队公开论文《SuperMimic: Scaling Humanoid Whole Body Control with One Differentiable World Mod…
仉尚航等提出 HAF-VLA，让人形机器人分层生成协调的全身动作
仉尚航等提出 HAF VLA，让人形机器人分层生成协调的全身动作 人形机器人要学会自主走向目标、俯身、再伸手抓取，卡点在于全身动作的协同生成。腿、腰、头部与双臂串联在同一条运动学链上：底盘偏移几厘米、腰部角度差几度，手臂就得伸得更远代偿。持…
同一天两篇论文，复旦大学付彦伟团队：机器人先行感知，接住新视角下的动作
同一天两篇论文，复旦大学付彦伟团队：机器人先行感知，接住新视角下的动作 机器人伸手抓取被杂物遮挡的杯子，最直观的解法就是转动腕载相机重新观测。但相机转动会同步改变机械臂构型，策略将面临训练期间从未见过的初始状态，图像、位姿与剩余任务之间的关…
清华系创业公司新作：机器人看了 100 万小时人类操作，学会自己想办法
螺丝、包装袋、瓶盖，这些日常物件全都是为人手设计，但机器人的末端执行器大多还停留在两指夹爪。想要打造能在真实世界落地的通用机器人，灵巧手操作是绕不开的一关，而真正的瓶颈在于操作经验。通用模型需要见过足够丰富、大规模的真实操作样本，可机器人只…
Jim Fan、韩松团队提出 Robota-Embed：机器人检索经验，动作比画面更关键
具身智能机器人想要复用过往操作经验，普遍会检索历史示范视频，模仿曾经成功的操作。 但传统检索大多只比对画面外观：只要桌子、物体看起来一致，就判定是匹配片段，忽略机械手当下的运动方向。同样的纸箱、同一段胶带，封箱和撕胶带两张画面几乎看不出差别…
英伟达 Jim Fan 团队新作：只拉长历史解决不了 WAM 短板，核心需靠自回归预测
Long WAM 发现「能拿到历史」不等于「会用历史」：只有视频底座先以自回归方式学会从过去推未来，拉长上下文才能真正实现性能上涨。基于这一结论，团队将这套世界动作模型打造为可在边缘设备实时运行的系统。上下文时长从 0 秒拓展至 19.2 …