แล็บเกิดใหม่

Chelsea Finn

Physical Intelligence·สแตนฟอร์ด

เหตุผลที่ติดตาม: โมเดลพื้นฐานหุ่นยนต์

การย้ายงาน

ยังไม่มีการย้ายงานที่เผยแพร่

งานวิจัย

งานวิจัย2026-10-29 · arXiv (Cornell University)

เทคโนโลยีสำหรับการเรียนรู้ข้อมูลหุ่นยนต์ร่วมกันที่ใช้ตัวควบคุมที่หลากหลาย

Cross-Controller Transfer via In-Context Behavior Adaptation

Chelsea Finn และอีก 2 คน

ทำอะไร: ได้พัฒนาเทคโนโลยีที่ใช้ข้อมูลจากหุ่นยนต์ที่ใช้วิธีการควบคุมที่แตกต่างกันมาเรียนรู้ร่วมกันได้อย่างไม่มีความขัดแย้ง
ผลลัพธ์หลัก: อัตราความสำเร็จเฉลี่ยเพิ่มขึ้น 33 เปอร์เซ็นต์เมื่อเทียบกับวิธีแบบเดิม
ความสำคัญ: แสดงให้เห็นถึงความเป็นไปได้ในการใช้ประโยชน์จากข้อมูลหุ่นยนต์ที่รวบรวมจากสภาพแวดล้อมที่หลากหลายได้อย่างมีประสิทธิภาพมากขึ้นสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-05 · arXiv (Cornell University)

วิธีการรวบรวมข้อมูลตามประสิทธิภาพเพื่อเพิ่มประสิทธิภาพการเรียนรู้ของหุ่นยนต์

Mulligan: Performance-Guided Data Collection for Efficient On-Robot Learning

Chelsea Finn และอีก 6 คน

ทำอะไร: คณะนักวิจัยได้เสนอเทคนิค Mulligan ซึ่งเพิ่มประสิทธิภาพโดยการรวบรวมข้อมูลโดยมุ่งเน้นไปที่สถานะที่ล้มเหลวและสถานะที่ยังไม่เคยลองในกระบวนการเรียนรู้การควบคุมหุ่นยนต์
ผลลัพธ์หลัก: เทคนิค Mulligan ช่วยปรับปรุงอัตราความสำเร็จของงานสุดท้ายของหุ่นยนต์ขึ้น 10 ถึง 34 เปอร์เซ็นต์เมื่อเทียบกับวิธีดั้งเดิม
ความสำคัญ: แสดงให้เห็นถึงความก้าวหน้าทางเทคโนโลยีที่ช่วยให้มนุษย์สามารถใช้เวลาและความพยายามอย่างมีประสิทธิภาพมากขึ้นในกระบวนการสอนหุ่นยนต์สรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-01 · arXiv (Cornell University)

Benchmark 'ค้นหา paper ที่สร้างแรงบันดาลใจ' จัดทำโดยนักวิจัย 184 คน

ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research

Chelsea Finn และอีก 13 คน

ทำอะไร: สร้างชุดข้อมูล ScholarCatalyst ซึ่งรวบรวมโดยนักวิจัยผู้เป็นชื่อแรก 184 คนจาก paper ด้านวิทยาการคอมพิวเตอร์ล่าสุด 207 ฉบับ โดยระบุว่า paper ก่อนหน้าฉบับใดที่มีประโยชน์ต่อการวิจัยของตนจริงๆ และได้นำเสนอโจทย์การค้นหา paper เหล่านี้
ผลลัพธ์หลัก: การค้นหาด้วยเอเจนต์ (AI ที่ทำงานโดยทำซ้ำการค้นหาด้วยตนเอง) ไม่ได้แสดง performance ที่ดีกว่าวิธีการค้นหาพื้นฐาน (Recall ที่ผลลัพธ์ 20 อันดับแรก 0.42 ต่อ 0.48) เอเจนต์ที่ใช้ Claude Fable 5.1 ก็ทำได้เพียง 0.51
ความสำคัญ: แสดงให้เห็นว่าปัจจุบัน AI ยังขาดสัญชาตญาณของผู้เชี่ยวชาญในการมองหาไอเดียล่วงหน้าที่จำเป็นจากวรรณกรรมวิจัยจำนวนมหาศาล และชี้ให้เห็นทิศทางว่าจำเป็นต้องมีวิธีการเรียนรู้ใหม่เพื่อสิ่งนี้ ถือเป็นอีกขั้นหนึ่งของการวิจัย AI ที่ช่วยสนับสนุนการวิจัยทางวิทยาศาสตร์ แต่ไม่สามารถยืนยันผลลัพธ์เชิงพาณิชย์หรืออุตสาหกรรมจริงได้จากบทคัดย่อสรุปโดย AI

เอเจนต์และการเขียนโค้ด AI เพื่อวิทยาศาสตร์

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

หน้านี้รวบรวมงานวิจัยที่เผยแพร่ ประกาศอย่างเป็นทางการ และรายงานข่าว เพื่อเป็นข้อมูลเท่านั้น บทสรุปงานวิจัยเขียนโดย AI จากบทคัดย่อและตรวจสอบโดยผู้ดูแล อาจแตกต่างจากต้นฉบับ โปรดตรวจสอบต้นฉบับสำหรับเนื้อหาสำคัญ ไม่ใช่คำแนะนำให้ซื้อหรือขายหลักทรัพย์ใดหรือคำปรึกษาด้านการลงทุน การย้ายงานอ้างอิงประกาศอย่างเป็นทางการหรือสื่อหลัก และประวัติการทำงานบางส่วนอ้างอิงจาก Wikidata (CC0) บทสรุปในหน้านี้แปลโดย AI จากฉบับภาษาเกาหลีที่ผู้ดูแลตรวจสอบแล้ว