Fichajes
No hay fichajes publicados.
Artículos
Artículo2026-10-06 · arXiv (Cornell University)
QF3: Fast Flow RL with Filtered Q-Gradients
- Qué
- Los investigadores han desarrollado QF3, un nuevo algoritmo de aprendizaje por refuerzo que aprende eficazmente los patrones de comportamiento de los robots.
- Resultado clave
- Se ha demostrado que puede aprender políticas de locomoción y seguimiento de movimiento de robots humanoides unas 10 veces más rápido que los métodos existentes.
- Por qué importa
- Muestra el potencial para aprender y mejorar la tecnología de control de comportamiento de los robots de forma más rápida y eficiente.Resumen IA
Artículo2026-10-06 · arXiv (Cornell University)
Workhorse: Learning Robust Whole-Body Humanoid Loco-Manipulation from Human Data
- Qué
- Se desarrolló una tecnología que permite a los robots humanoides manipular objetos y moverse utilizando videos de demostración humana a través de un planificador visual y un rastreador de aprendizaje por refuerzo.
- Resultado clave
- Se realizaron con éxito tareas complejas de manipulación de cuerpo completo, como transportar una caja, agarrar una caja y subir una maleta, en un robot real Unitree G1.
- Por qué importa
- Demuestra que los robots pueden mejorar su capacidad para manejar objetos manteniendo el equilibrio en entornos complejos basándose en datos de comportamiento humano.Resumen IA
Artículo2026-10-02 · arXiv (Cornell University)
GOTT: Object-centric Dexterous Manipulation with a Reusable Cross-Embodiment Primitive
- Qué
- Para permitir que manos de robots con múltiples dedos, similares a las manos humanas, agarren y muevan objetos de manera estable en direcciones deseadas, se propuso GOTT, una tecnología de contacto que se puede utilizar comúnmente en diferentes robots y formas de manos.
- Resultado clave
- En simulaciones y experimentos con robots reales, GOTT estableció contactos estables en varios objetos, plataformas de brazo-mano y formas de manos no vistas previamente, y mejoró consistentemente las tasas de éxito de las tareas en comparación con los métodos de agarre predeterminados.
- Por qué importa
- Este estudio demuestra el potencial de reutilizar la misma tecnología incluso cuando cambian los tipos de manos de robots mediante el uso de un componente de movimiento común que no depende de un robot específico. Sin embargo, es difícil juzgar el nivel de comercialización o el impacto industrial real basándose únicamente en el resumen.Resumen IA
Artículo2026-10-01 · arXiv (Cornell University)
Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents
- Qué
- Se propuso un framework RPG que mejora autónomamente los sistemas de tareas robóticas sin intervención humana adicional.
- Resultado clave
- En nuevas pruebas de condiciones iniciales en 22 tareas de manipulación, la tasa de éxito aumentó del 28,6% después de la primera práctica al 95,0% después de 15 rondas, y las 30 pruebas con robots reales fueron exitosas.
- Por qué importa
- Este estudio demuestra el potencial de mejorar el software de control de robots con menos esfuerzo humano, aunque el nivel de aplicación industrial real o comercialización es difícil de juzgar solo a partir del resumen.Resumen IA
Artículo2026-09-30 · arXiv (Cornell University)
Tactile Curiosity Drives Robot Interaction
- Qué
- Los investigadores propusieron TacEx, un marco de exploración que permite a los robots desarrollar curiosidad sobre las sensaciones táctiles (la sensación de tocar objetos) y aprender a tocar y recoger objetos por sí mismos.
- Resultado clave
- Según el resumen, TacEx recopila datos de interacción ricos en contacto sin recompensas de tareas ni demostraciones de expertos, permite aprender políticas de recogida y colocación utilizando estos datos sin interacciones adicionales con el entorno, y mejora el rendimiento posterior al entrenamiento de los modelos de visión-lenguaje-acción.
- Por qué importa
- El aprendizaje tradicional de robots pasa mucho tiempo moviéndose al azar en el aire, lo que demuestra que explorar centrándose en el contacto puede mejorar la eficiencia del aprendizaje. Sin embargo, es difícil juzgar el nivel de aplicación práctica o el potencial de comercialización basándose únicamente en el resumen.Resumen IA
Artículo2026-09-29 · arXiv (Cornell University)
Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation
- Qué
- Se propuso un método (PRISM) en el cual la IA genera varios videos virtuales basados en unos pocos videos reales de una persona transportando objetos, y los utiliza para el aprendizaje de robots.
- Resultado clave
- Se informa que una única política de control entrenada de esta manera logró que un robot humanoide real recogiera, transportara y colocara cajas, tambores, barRILES y pelotas sin necesidad de aprendizaje adicional en el mundo real.
- Por qué importa
- Es significativo porque demuestra el potencial de aumentar los datos de entrenamiento utilizando pocos videos reales en situaciones donde es difícil recopilar grandes cantidades de datos de demostración de robots reales.Resumen IA
Artículo2026-09-28 · The International Journal of Robotics Research
World model for robot learning: A comprehensive survey
- Qué
- Este es un artículo de revisión que organiza sistemáticamente los 'modelos del mundo' —modelos que predicen cómo cambiará el entorno en respuesta a las acciones— desde la perspectiva del aprendizaje de robots.
- Resultado clave
- Según el resumen, describe cómo se utilizan los modelos del mundo en políticas de robots, simuladores, evaluación y generación de datos, resume la trayectoria evolutiva de los modelos del mundo basados en video para robots, y destaca conjuntos de datos representativos, puntos de referencia y métodos de evaluación.
- Por qué importa
- Esto sirve como un recurso que unifica enfoques de investigación de aprendizaje de robots dispersos en un solo marco, lo que ayuda a comprender las tendencias de investigación. Sin embargo, el resumen no demuestra el rendimiento o los logros comerciales de las tecnologías individuales.Resumen IA
