Fiatlux:面向人形机器人爬梯与更换灯泡的长时程基准
该工作基于 NVIDIA Isaac Lab 构建长时程基准,要求 Unitree G1 人形机器人在单一任务回合内完成搬放梯子、攀爬并在高处更换易碎灯泡等复合动作。它填补了现有基准将垂直移动与精细操作分开评估的空白,对人形机器人的长时程规划与柔顺操作提出综合挑战。
Fiatlux 发布 Unitree G1 人形机器人爬梯换灯泡的长时程基准,首次将垂直移动与精细操作合并评估;BIND 提出将 3D 机器人动作绑定到 2D 图像特征的新表征,显著提升视觉运动策略的数据效率与鲁棒性;SynIL 利用协同性实现从含噪演示数据集的可扩展离线模仿学习;TALK-Dem 聚焦痴呆患者沟通模式下的具身任务规划与安全问题
该工作基于 NVIDIA Isaac Lab 构建长时程基准,要求 Unitree G1 人形机器人在单一任务回合内完成搬放梯子、攀爬并在高处更换易碎灯泡等复合动作。它填补了现有基准将垂直移动与精细操作分开评估的空白,对人形机器人的长时程规划与柔顺操作提出综合挑战。
提出一种新的动作表征方法,将 3D 机器人动作与其对应的 2D 图像特征显式绑定,取代传统'全局特征向量 + MLP 回归'的动作头设计。该方法带来显著的数据效率提升,并对分布外物体位置和相机视角变化表现出更强的鲁棒性。
针对演示数据中混入次优或噪声样本导致模仿学习性能严重退化的问题,提出基于协同性(synergy)的离线学习方法。相比依赖人工预选专家数据或任务特定启发式的已有方案,该方法更具可扩展性,适合大规模真实演示数据集。
现有 LLM 驱动的机器人任务规划器普遍假设用户指令清晰、完整,而面对痴呆症患者模糊、不完整或跑题的指令时容易出错,甚至引发物理安全风险。该工作构建了专门刻画痴呆沟通模式的具身任务规划基准,推动辅助机器人面向真实认知障碍用户落地。
将软体气动机器人与视觉触觉传感器统一到 MPM 与 3D Gaussian Splatting 结合的仿真框架中,解决柔性触觉操作学习长期缺乏高效仿真、标定误差大的瓶颈。该工作为安全柔顺的精细操作技能学习提供了新的仿真基础设施。
让机器人伴随语音的手势不仅适应语音内容和本体形态,还能主动响应工作空间约束(如靠墙场景),直接生成合适的动作而非先生成再修正。这提升了社交与服务场景中人机交互的自然性与安全性。
通过系列案例研究系统性剖析域随机化方案设计与模仿学习数据编排影响操作策略鲁棒性的底层机制。研究为随机化参数选择提供了机制层面的解释,有望替代昂贵的试错流程,指导数据高效采集。
通过基于结果驱动的驱动空间优化,实现软体连续体机器人从初始未抓取状态完成全身抓取及拾取-投掷行为合成。工作用末端角扫掠、身体-物体包络度、释放方向对齐等指标量化技能,推进软体机器人全身操作能力。
提出参数化机器人形态生成工具,打通从 CAD 修改到可仿真控制模型的链路,并利用真实世界数据校验设计可行性。该工具加速了形态与控制的协同设计迭代,降低机器人本体设计的验证成本。
遥操作系统通常只针对通道保真度调优,而操作者是否将设备'纳入身体'的具身感(Sense of Embodiment)只能事后问卷测量。该仿真研究探索通过对操作者预测与反馈失配的推断来在线优化控制,向具身感的客观度量与实时调控迈出一步。
本日报由 AI 综合以下公开信息源自动生成:
原始内容版权归原作者所有。如有异议请联系本站。