Planificación de movimiento robótico de bajo nivel con transferencia zero-shot
Descubre cómo el método iCEM+TL mejora hasta un 23% el éxito en tareas de manipulación robótica mediante transferencia zero-shot, aplicable en robots reales.
#manipulación robótica
Módulo de Adaptación de Torque (TAM) para Transferencia Robusta de Movimiento
TAM adapta torque para mover robots de forma robusta. Mejora ejecución real sin datos previos. Perfecto para manipulación dinámica.
TempoVLA: Políticas de Visión-Lenguaje-Acción con Velocidad Controlable
TempoVLA controla la velocidad de robots manipuladores: acelera en zonas seguras y desacelera en contacto. Aumenta eficiencia y seguridad.
LadderMan: Escalada de robots humanoides con percepción
LadderMan: robots humanoides escalan escaleras y manipulan objetos. Sistema híbrido de aprendizaje y visión por IA. Transferencia sim-to-real sin ajustes.
¿Es la diversidad clave para la manipulación robótica escalable?
Investigación revela que la diversidad de tareas es más crítica que la cantidad de demostraciones. Aprende a escalar datos robóticos eficazmente.
Instant-Fold: Aprendizaje por imitación en contexto para objetos deformables
Descubre Instant-Fold: robots manipulan objetos deformables con una sola demostración humana, sin necesidad de entrenamiento adicional. Aprende cómo.
PointAction: Puntos 3D como representaciones universales de acciones para robots
PointAction transforma videos en acciones robóticas precisas usando puntos 3D dinámicos. Descubre cómo este marco reduce la ambigüedad y generaliza entre tareas y robots.
VISTA: Adaptación con visión y validación física de datos UMI para entrenamiento VLA
Descubre cómo VISTA combina visión y validación física para adaptar datos UMI y entrenar modelos VLA, mejorando el rendimiento en manipulación robótica real.
Grasp-Then-Plan con Atribución de Fallos: Manipulación Robótica Precisa
Descubre cómo GTP-FA mejora la manipulación robótica con un marco de dos etapas que diagnostica y corrige fallos de agarre y planificación en tareas complejas.
PHASER: Aprendizaje continuo con repetición de experiencia por fases para modelos VLA
Descubre PHASER, un marco de aprendizaje continuo para modelos VLA que evita el olvido catastrófico. Asigna memoria por fases y prioriza tareas olvidadas, logra
Visibilidad de falsos éxitos en manipulación robótica
¿Pueden los robots ocultar fallos? Un estudio revela que los falsos éxitos en manipulación son más detectables de lo que parece, pero el ruido los enmascara. Descubre cómo.
Aprendizaje de Valor Suavizado en Aprendizaje por Refuerzo
Aprende cómo MVL usa suavizado espacial para estimación de valor estable en RL offline, mejorando navegación y manipulación robótica.
Aprendizaje por Refuerzo con Información Física en Contactos Híbridos
Descubre cómo el aprendizaje por refuerzo con información física (Pi-GCRL) maneja dinámicas de contacto híbridas en manipulación robótica. ¡Entra!
Corrigiendo la Falacia Euclidiana en Políticas VLA con Lie Diffuser Actor
Lie Diffuser Actor corrige la falacia euclidiana en políticas VLA usando difusión en el espacio tangente de SE(3). Mejora un 7.3% en CALVIN ABC→D.
SpeedAug: Aceleración de Políticas con Tempo y RL
SpeedAug acelera políticas robóticas con RL: aumenta 1.8x el rendimiento en solo 16 minutos de interacción sin comprometer la tasa de éxito.
HOIST: Humanoides optimizados para cargas suspendidas
Descubre cómo HOIST combina imitación y RL para que humanoides manipulen cargas suspendidas con alta precisión. Reduce errores de colocación en 19.9 cm.
RDA: Agente de diseño de recompensas para aprendizaje por refuerzo
Descubre RDA, un agente basado en VLM que diseña recompensas semánticas para robots. Logra políticas alineadas con instrucciones humanas en manipulación.
AffordGen: Demostraciones diversas para manipulación generalizable de objetos
AffordGen genera datos diversos para manipulación robótica con generalización zero-shot. Aumenta la eficiencia del aprendizaje por imitación.