Core Concepts
Extrahieren von funktionalen Umordnungsprioritäten aus großen Modellen in einen Diffusor für effektive Objektumordnung.
Abstract
I. Einführung
Herausforderung der Objektumordnung in der Robotik.
Notwendigkeit von funktionalen Umordnungsprioritäten.
II. Methodik
Datenerfassung durch LLM und VLM.
Destillation des Datensatzes in ein Diffusionsmodell.
III. Experimente
Vergleich mit Baselines in verschiedenen Szenarien.
Realwelt-Experimente mit UR10-Roboterarm.
IV. Ergebnisse
Überlegenheit des Ansatzes in der Generierung kompatibler Ziele.
Effizienzvorteile durch kompakte Repräsentation.
V. Schlussfolgerung
Bedeutung von VLM und LLM für die Leistung des Ansatzes.
VI. Anhang
Details zur Marginal-KL-Divergenz-Analyse.
Architektur und Training des Score-Netzwerks.
Algorithmus für die Umordnung zur Testzeit.
Stats
"Unsere Methode übertrifft alle Baselines in verschiedenen Domänen."
"Unsere Methode zeigt eine signifikante Leistungssteigerung in komplexen Szenarien."
"Effizienzvorteile durch Destillation von großen Modellen in kompakte Repräsentationen."
Quotes
"Unsere Methode übertrifft alle Baselines in verschiedenen Domänen."
"Effizienzvorteile durch Destillation von großen Modellen in kompakte Repräsentationen."