플로우 매칭을 활용한 어포던스 기반 로봇 조작
대규모 비전-언어 모델(VLM)에서 어포던스를 효율적으로 학습하고, 이를 플로우 매칭 기반 로봇 조작 정책 학습에 활용하여 효율적이고 일반화된 로봇 조작 성능을 달성할 수 있다.
로봇 조작을 위한 관계적 키포인트 제약 조건의 시공간적 추론: ReKep
ReKep는 시맨틱 키포인트를 기반으로 로봇 조작 작업을 위한 제약 조건을 나타내는 새로운 방법으로, 대규모 비전 모델과 비전-언어 모델을 활용하여 실시간으로 복잡한 조작 동작을 생성합니다.
충격을 고려한 로봇 조작: 속도 점프에 대한 시뮬레이션-실제 환경 간 차이 정량화
본 논문에서는 복잡한 충격 시나리오에서 로봇 조작을 위한 강체 충격 맵을 생성하고 검증하는 방법을 제안하며, 특히 시뮬레이션과 실제 실험 간의 차이를 정량화하여 보다 정확하고 신뢰할 수 있는 충격 기반 로봇 제어 시스템 개발을 목표로 합니다.
STEER: 밀집 언어 기반 유연한 로봇 조작
STEER는 기존 로봇 데모 데이터에서 추출한 유연하고 구성 가능한 조작 기술을 활용하여 새로운 상황에 일반화할 수 있는 로봇 학습 프레임워크입니다.
로컬 정책을 활용한 제로샷 장기 조작
시뮬레이션에서 훈련된 로컬 정책을 활용하여 다양한 장기 조작 작업을 실제 로봇이 사전 경험 없이도 수행할 수 있다.
인간 참여 강화 학습을 통한 정밀하고 능숙한 로봇 조작
본 논문에서는 인간 참여 강화 학습 시스템을 통해 다양한 조작 작업에서 뛰어난 성능을 보이는 로봇을 구현하는 방법을 제시합니다.
이산 표현 학습을 통한 로봇 상호 작용 모드 발견 및 실제 로봇 적용
ActAIM2는 다양한 객체 인스턴스 및 범주에 일반화 가능한 방식으로, 이산 표현 학습을 통해 다양한 로봇 상호 작용 모드를 발견하고 실행할 수 있는 자기 지도 학습 프레임워크를 제시합니다.
비전 언어 모델을 이용한 작업 지향 로봇 조작
본 논문에서는 복잡한 공간 관계를 이해하고 조작하는 로봇의 능력을 향상시키기 위해 객체 속성과 계층적 공간 관계 표현을 결합한 새로운 데이터 세트와 접근 방식을 제안합니다.
CAGE: 데이터 효율적인 일반화 가능 로봇 조작을 가능하게 하는 인과적 주의 메커니즘
제한된 데모 데이터만으로 새로운 환경에 일반화 가능한 로봇 조작 정책을 개발하는 것은 어려운 과제였지만, 본 논문에서 소개하는 CAGE는 인과적 주의 메커니즘을 통합하여 이러한 문제를 해결하는 새로운 접근 방식을 제시합니다.
로봇 조작을 위한 원시 동작 기반 웨이포인트 인식 세계 모델 PIVOT-R: 비동기적 계층적 실행기를 통한 성능 및 효율성 향상
PIVOT-R은 복잡한 로봇 조작 작업을 위한 원시 동작 기반 웨이포인트 인식 세계 모델로, 비동기적 계층적 실행기를 통해 성능과 효율성을 향상시킵니다.
© 2024 by Linnk AI