Ein generalistisches robotisches Modell mit Mixture-of-Experts für Quadruped-Roboter
GeRM ist ein Mixture-of-Experts-Modell, das effizient von Demonstrationen und suboptimalen Daten lernt, um eine generalistisch einsetzbare Steuerung für Quadruped-Roboter zu entwickeln.
Selbstverbesserndes Online-Training mit digitalen Zwillingen zur Hindernisumfahrung in Robotermanipulatoren
Ein selbstverbessernder Online-Trainingsrahmen, der digitale Zwillinge und Reinforcement Learning kombiniert, um Roboter in die Lage zu versetzen, sich an unvorhersehbare Umgebungen anzupassen und kollisionsfreie Trajektorien in Echtzeit zu generieren.
Effiziente Auswahl und Erweiterung von Beispielen zur Code-Generierung mit wenigen Beispielen in großen Sprachmodellen und deren Anwendung in der Robotersteuerung
Ein neuer systematischer Algorithmus, der eine Reihe von Metriken zur Bewertung von Beispielen verwendet, um die Prompt-Auswahl zu verbessern und die Leistung von Sprachmodellen bei mathematischen Reasoning-Aufgaben und Robotersteuerungsaufgaben zu steigern.
Ein effizienter und personalisierter Greifagent für die Interaktion zwischen Mensch und Roboter
Der Personalized Grasping Agent (PGA) ermöglicht es Robotern, durch eine einzige Interaktion mit dem Nutzer persönliche Objekte zu erkennen und zu greifen, um eine intuitivere Mensch-Roboter-Interaktion zu ermöglichen.
Roboter lernen Aufgaben durch Beobachtung von Menschenvideos
Ein neuartiges End-to-End-Lernframework ermöglicht es Robotern, Aufgaben direkt aus Beobachtungsvideos von Menschen zu erlernen und auszuführen.
Verbesserung der Roboterleistung durch natürliche Sprachkorrekturen
Roboter können ihre Leistung bei komplexen Langzeittätigkeiten durch Einbindung natürlicher Sprachkorrekturen von Menschen kontinuierlich verbessern.
Adaptive visuelle Imitationslernen-Methode zur robotergestützten Fütterung bei unterschiedlichen Schüsselkonfigurationen und Lebensmittelarten
Ein neuartiges visuelles Imitationsnetzwerk mit einem räumlichen Aufmerksamkeitsmodul ermöglicht es Robotern, sich an verschiedene Schüsselkonfigurationen und Lebensmittelarten beim Löffeln anzupassen und dabei robust und effektiv zu bleiben.
Neuronenzentriertes Hebbsches Lernen: Eine effiziente Methode zur Optimierung neuronaler Netzwerke
Das vorgeschlagene Neuronenzentrierte Hebbsche Lernmodell (NcHL) reduziert die Anzahl der zu optimierenden Parameter erheblich im Vergleich zum traditionellen synapsenzentrierten Hebbschen Lernmodell (HL), ohne dabei die Leistung zu beeinträchtigen.
Erlernen von Belohnungen durch bedingte Videodiffusion für effizientes visuelles Reinforcement Learning
Diffusion Reward ist ein neuartiger Rahmen, der Belohnungen aus Expertvideos über bedingte Videodiffusionsmodelle für die Lösung komplexer visueller RL-Probleme erlernt. Der Schlüsseleinblick ist, dass eine geringere generative Diversität beobachtet wird, wenn man auf Experttrajektorien bedingt ist. Diffusion Reward formalisiert dies durch den Negativwert der bedingten Entropie, der die produktive Erkundung von expertenähnlichen Verhaltensweisen fördert.
Effiziente Methode zur Übertragung dexterter Manipulationen auf neue Szenarien durch Distillation konsistenter 3D-Merkmalsfelder aus spärlichen RGBD-Beobachtungen
Eine neuartige Methode, SparseDFF, zur Distillation konsistenter 3D-Merkmalsfelder aus spärlichen RGBD-Beobachtungen, die eine effiziente Übertragung dexterter Manipulationen auf neue Szenen ermöglicht.
© 2024 by Linnk AI