लेख में Human2Any का परिचय दिया गया है, जो प्रतिबंध-जागरूक संयोजी योजना का उपयोग करने वाला एक मानव से रोबोट स्थानांतरण विधि है। स्रोत में कोई अन्य विवरण या मुख्य पाठ प्रदान नहीं किया गया है।
Human2Any: प्रतिबंध-जागरूक संयोजी योजना के माध्यम से मानव से रोबोट स्थानांतरण
ROSA साझा GPU-पूल सर्विंग के माध्यम से कार्यात्मक उत्पादकता को 12.06x तक बढ़ाता है
शोधकर्ताओं ने ROSA का प्रस्ताव रखा, जो एक रोबोटिक्स फाउंडेशन मॉडल सर्विंग सिस्टम है जो रोबोट कारखानों के लिए डिज़ाइन किया गया है और जो एकल-रोबोट, एज-कंप्यूटिंग मान्यताओं से परे जाता है। यह सिस्टम साझा GPU-पूल सर्विंग का उपयोग करता है ताकि रोबोटों के बेड़े नेटवर्क के माध्यम से सर्वर-क्लास GPUs तक पहुंच सकें।
PAC-ACT पोस्ट-ट्रेनिंग फ्रेमवर्क सटीक संपर्क मैन्युपुलेशन के लिए ACT पॉलिसियों को सुधारता है
यह पेपर PAC-ACT का परिचय देता है, जो एक रीइन्फोर्समेंट-लर्निंग पोस्ट-ट्रेनिंग फ्रेमवर्क है जिसे औद्योगिक सटीक-संपर्क कार्यों के लिए प्री-ट्रेन किए गए Action Chunking Transformer (ACT) पॉलिसियों को बढ़ाने के लिए डिज़ाइन किया गया है। विधि चंक स्तर पर पॉलिसी अनुकूलन को पुनः परिभाषित करती है और एक हाइब्रिड व्यवहार-प्रायर बाधा के साथ ACT-ट्रांसफर किए गए एक्टर-क्रिटिक आर्किटेक्चर का उपयोग करती है।
Track2Map: रोबोटिक सर्जरी के लिए ऑनलाइन डिफॉर्मिबल SLAM
शोधकर्ताओं ने Track2Map प्रस्तावित किया है, जो एक ऑनलाइन 3D Gaussian Splatting पाइपलाइन है जो सर्जिकल वीडियो से सीधे कैमरा ट्राजेक्टरी और 3D दृश्य निरूपण को संयुक्त रूप से अनुकूलित करता है। यह दृष्टिकोण सटीक कैमरा ट्राजेक्टरी प्रायर्स की अनुपस्थिति या शोर वाले होने पर भी रोबोट-सहायतित न्यूनतम आक्रामक सर्जरी में मजबूत पुनर्निर्माण को सक्षम बनाता है।
LIME आत्मकेंद्रित वीडियो से इरादे-जागरूक कैमरा गति सीखता है
लेखकों ने LIME प्रस्तावित किया, एक विज़न-भाषा मॉडल जो RGB अवलोकनों और प्राकृतिक भाषा के इरादों से सापेक्ष लक्ष्य पोसेज की भविष्यवाणी करके भाषा-शर्तयुक्त कैमरा गति उत्पन्न करता है।
WorldSample बंद-लूप RL और विश्व मॉडलिंग का उपयोग करके वास्तविक रोबोट प्रशिक्षण को बेहतर बनाता है
शोधकर्ताओं ने WorldSample प्रस्तावित किया, एक भौतिक रूप से आधारित डेटा ऑगमेंटेशन फ्रेमवर्क जो भौतिक रोलआउट्स, विश्व मॉडल जनरेशन और रीइंफोर्समेंट लर्निंग के लिए वास्तविक रोबोटों पर नीति सुधार के बीच एक वास्तविक-सिंथेटिक लूप को बंद करता है। सिस्टम एक पोस्ट-प्रशिक्षित विश्व मॉडल के माध्यम से उच्च-फिडेलिटी सिंथेटिक ट्रांजिशन उत्पन्न करता है और नमूना चयन के माध्यम से प्रशिक्षण को नियमित करने के लिए Policy-Paced Learning का उपयोग करता है, उपयोगी ऑगमेंटेशन और मूल्य ओवरएस्टिमेशन के बीच संतुलन बनाते हुए।