การย้ายงาน
ยังไม่มีการย้ายงานที่เผยแพร่
งานวิจัย
งานวิจัย2026-10-07 · arXiv (Cornell University)
Cross-Embodiment Robot Foundation World Models with Latent Actions
- ทำอะไร
- พัฒนาโมเดลโลกของหุ่นยนต์ที่ใช้พื้นที่การกระทำแฝงแบบบูรณาการ ซึ่งหุ่นยนต์ที่มีรูปร่างหลากหลายสามารถใช้ร่วมกันได้
- ผลลัพธ์หลัก
- เมื่อนำไปใช้กับหุ่นยนต์ใหม่ แสดงประสิทธิภาพที่ดีขึ้นสูงสุด 46.7% ในงานควบคุมที่ประณีต และดีขึ้น 11.7% ในการประเมินประสิทธิภาพ LIBERO เมื่อเทียบกับวิธีเดิม
- ความสำคัญ
- ช่วยให้เกิดการเรียนรู้ที่มีประสิทธิภาพระหว่างหุ่นยนต์ที่หลากหลาย ซึ่งมีส่วนช่วยในการแก้ปัญหาความท้าทายสำคัญในด้านวิทยาการหุ่นยนต์สรุปโดย AI
งานวิจัย2026-10-07 · arXiv (Cornell University)
RoboRender: Robot-Oriented Video Generation for Visual Sim-to-Real Transfer
- ทำอะไร
- พัฒนาเทคโนโลยีที่แปลงข้อมูลหุ่นยนต์ในสภาพแวดล้อมเสมือนจริงให้เป็นวิดีโอที่มีลักษณะเหมือนสภาพแวดล้อมจริง เพื่อเพิ่มความสามารถในการควบคุมหุ่นยนต์
- ผลลัพธ์หลัก
- หุ่นยนต์ที่เรียนรู้ด้วยเทคโนโลยีนี้สามารถทำอัตราความสำเร็จเฉลี่ยร้อยละ 71 ในสภาพแวดล้อมจริง ซึ่งแสดง performance ที่เหนือกว่าวิธีเดิม
- ความสำคัญ
- ช่วยบรรเทาปัญหาความแตกต่างทางภาพที่ทำให้ข้อมูลที่สร้างในสภาพแวดล้อมเสมือนจริงนำไปใช้กับหุ่นยนต์จริงได้ยากสรุปโดย AI
งานวิจัย2026-10-06 · arXiv (Cornell University)
OpenWAM: An Open Framework for Composable World-Action Models
- ทำอะไร
- ได้พัฒนา OpenWAM ซึ่งเป็นเฟรมเวิร์กโอเพน소스สำหรับการเปรียบเทียบและวิจัยโมเดลโลกและการกระทำที่จัดการทั้งการควบคุมหุ่นยนต์และการคาดการณ์วิดีโอในอนาคต
- ผลลัพธ์หลัก
- วิธีที่นำเสนอช่วยเพิ่มอัตราความสำเร็จของงานmanipulationของหุ่นยนต์ได้อย่างมาก และปรับปรุงประสิทธิภาพของโมเดลพลศาสตร์ผ่านการเรียนรู้ด้วยข้อมูลcounterfactual
- ความสำคัญ
- เป็นรากฐานในการเปรียบเทียบวิธีการควบคุมหุ่นยนต์และการคาดการณ์วิดีโอที่หลากหลายได้อย่างเท่าเทียม ซึ่งช่วยเพิ่มประสิทธิภาพในการวิจัยเทคโนโลยีที่เกี่ยวข้องสรุปโดย AI
งานวิจัย2026-09-29 · arXiv (Cornell University)
T$^2$Mem: Learning Test-Time Memory for Robotics
- ทำอะไร
- สำหรับงาน manipulation ของหุ่นยนต์ที่จำเป็นต้องจดจำข้อมูลการสังเกตการณ์ในอดีต ได้มีการเสนอFramework (T2Mem) ที่เพิ่มความสามารถด้านความจำผ่านการเรียนรู้ขณะทดสอบ (test-time training) ให้กับนโยบายหุ่นยนต์ที่ฝึกอบรมล่วงหน้าซึ่งเดิมไม่มีฟังก์ชันความจำ
- ผลลัพธ์หลัก
- อัตราความสำเร็จเฉลี่ยใน 16 งานของ RoboMME เพิ่มขึ้นจาก 17.93% ของนโยบายพื้นฐานที่ไม่มีความจำ เป็น 56.83% และสูงกว่าวิธีหน่วยความจำแบบวนซ้ำ (recurrent memory) ที่รายงานไว้ในเบนช์มาร์ก
- ความสำคัญ
- มีความหมายตรงที่แสดงให้เห็นว่าสามารถพัฒนาความสามารถของหุ่นยนต์ในการใช้ประโยชน์จากข้อมูลในอดีตที่ไม่อยู่บนหน้าจอปัจจุบันได้โดยใช้เพียงข้อมูลสาธิตโดยไม่ต้องมีอุปกรณ์จัดเก็บข้อมูลภายนอก อย่างไรก็ตาม เนื่องจากบทคัดย่อกล่าวถึงเฉพาะผลลัพธ์ในขั้นตอนการวิจัย จึงไม่สามารถยืนยันการ commercialization หรือผลกระทบต่อตลาดได้สรุปโดย AI
งานวิจัย2026-09-28 · arXiv (Cornell University)
DexAgent: An Agentic Human2Sim2Robot Framework for Dexterous Manipulation with Self-Evolving Tool Library
- ทำอะไร
- นำเสนอเฟรม워크แบบเอเจนต์ที่สร้างวิถีการเคลื่อนไหวของหุ่นยนต์ที่เป็นไปได้จริงทางฟิสิกส์ เพื่อสร้างข้อมูลสำหรับการเรียนรู้ของหุ่นยนต์ โดยรับวิดีโอมุมมองบุคคลที่หนึ่งและคำอธิบายงานที่มนุษย์บันทึกไว้
- ผลลัพธ์หลัก
- นโยบาย (กฎพฤติกรรมของหุ่นยนต์) ที่ฝึกด้วยข้อมูลที่สร้างโดย DexAgent ใน 11 งานในสภาพแวดล้อมจริง แสดงอัตราความสำเร็จสูงกว่าวิธีเปรียบเทียบมาตรฐานถึง 3.5 เท่า
- ความสำคัญ
- แสดงให้เห็นถึงความเป็นไปได้ในการ自动化กระบวนการแปลงวิดีโอตัวอย่างของมนุษย์ให้เป็นข้อมูลการเรียนรู้ของหุ่นยนต์ แต่เป็นการยากที่จะตัดสินระดับการประยุกต์ใช้ในอุตสาหกรรมจริงหรือเวลาในการ 商业화 จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI
