يقدم المقال Human2Any، وهي طريقة للنقل من الإنسان إلى الروبوت تستخدم التخطيط التركيبي الواعي بالقيود. لا توجد تفاصيل إضافية أو نص رئيسي مقدم في المصدر.
lab
NVIDIA Research
·
الآن
·
research
Human2Any: نقل من الإنسان إلى الروبوت عبر التخطيط التركيبي الواعي بالقيود
مُترجم من English → العربية
مقالات ذات صلة
lab
NVIDIA Research
·
منذ 42 يوم
·
24 مشاهدة
تحسين إنتاجية المصنع بنسبة تصل إلى 12.06 مرة عبر تقديم مجموعة GPU مشتركة باستخدام ROSA
يقترح الباحثون نظام تقديم نماذج أساسية للروبوتات يُدعى ROSA، مصمم لمصانع الروبوتات ويتجاوز افتراضات الحوسبة الطرفية لروبوت واحد. يستخدم النظام تقديم مجموعة GPU المشتركة للسماح لأساطيل الروبوتات بالوصول إلى وحدات معالجة الرسومات من فئة الخوادم عبر الشبكة.
arxiv
arXiv cs.AI
·
منذ 65 يوم
·
11 مشاهدة
إطار ما بعد التدريب PAC-ACT يحسّن سياسات ACT للتلاعب باللمس الدقيق
تقدم هذه الورقة بحثية إطار PAC-ACT، وهو إطار ما بعد التدريب للتعزيز المعزز مصمم لتعزيز سياسات Action Chunking Transformer (ACT) المدربة مسبقًا لمهام اللمس الدقيقة الصناعية. تعيد الطريقة صياغة تحسين السياسات على مستوى القطع وتستخدم بنية وكيل-ناقد منقولة بواسطة ACT مع قيد أولي سلوكي هجين.
arxiv
arXiv cs.AI
·
منذ 67 يوم
·
18 مشاهدة
Track2Map: نظام SLAM قابل للتشغيل عبر الإنترنت للجراحة الروبوتية
يقترح الباحثون Track2Map، وهو خط أنابيب لـ Gaussian Splatting ثلاثي الأبعاد يعمل عبر الإنترنت، يقوم بتحسين مسار الكاميرا وتمثيل المشهد ثلاثي الأبعاد بشكل مشترك مباشرة من الفيديو الجراحي. يتيح هذا النهج إعادة بناء قوية في الجراحة طفيفة التوغل بمساعدة الروبوت حتى عندما تكون الأوليات الدقيقة لمسار الكاميرا مفقودة أو تحتوي على ضوضاء.
arxiv
arXiv cs.LG
·
منذ 72 يوم
·
25 مشاهدة
يتعلم LIME حركة كاميرا واعية بالنية من الفيديو الذاتي المركز
يقترح المؤلفون LIME، وهو نموذج للرؤية واللغة يولد حركة كاميرا مشروطة باللغة عن طريق التنبؤ بالمواقف النسبية المستهدفة من ملاحظات RGB ونوايا اللغة الطبيعية.
arxiv
arXiv cs.AI
·
منذ 72 يوم
·
12 مشاهدة
يستخدم WorldSample التعلم المعزز بحلقة مغلقة مع نمذجة العالم لتحسين تدريب الروبوت الحقيقي
يقترح الباحثون WorldSample، وهو إطار عمل لتكثيف البيانات grounded فيزيائياً يغلق حلقة حقيقية-اصطناعية بين المسيرات الفيزيائية، وتوليد نموذج العالم، وتحسين السياسة لتعلم التعزيز على الروبوتات الحقيقية. يولد النظام انتقالات اصطناعية عالية الدقة عبر نموذج عالم تم تدريبه مسبقاً ويستخدم Policy-Paced Learning لتنظيم التدريب عبر اختيار العينات، موازنة التكثيف المفيد ضد المبالغة في تقدير القيمة.