การย้ายงาน
ยังไม่มีการย้ายงานที่เผยแพร่
งานวิจัย
งานวิจัย2026-10-06 · arXiv (Cornell University)
QF3: Fast Flow RL with Filtered Q-Gradients
- ทำอะไร
- คณะนักวิจัยได้พัฒนา QF3 ซึ่งเป็นอัลกอริทึมการเรียนรู้แบบเสริมกำลังตัวใหม่ที่ช่วยเรียนรู้รูปแบบพฤติกรรมของหุ่นยนต์ได้อย่างมีประสิทธิภาพ
- ผลลัพธ์หลัก
- พิสูจน์แล้วว่าสามารถเรียนรู้ค่านโยบายการเคลื่อนที่และการติดตามการเคลื่อนไหวของหุ่นยนต์ฮิวแมนนอยด์ได้ด้วยความเร็วมากกว่าวิธีเดิมประมาณ 10 เท่า
- ความสำคัญ
- แสดงให้เห็นถึงความเป็นไปได้ในการเรียนรู้และปรับปรุงเทคโนโลยีการควบคุมพฤติกรรมของหุ่นยนต์ให้รวดเร็วและมีประสิทธิภาพยิ่งขึ้นสรุปโดย AI
งานวิจัย2026-10-06 · arXiv (Cornell University)
Workhorse: Learning Robust Whole-Body Humanoid Loco-Manipulation from Human Data
- ทำอะไร
- พัฒนาเทคโนโลยีที่ช่วยให้หุ่นยนต์ฮิวแมนนอยด์สามารถจัดการวัตถุและเคลื่อนที่ได้ โดยใช้ Video การสาธิตของมนุษย์ผ่านตัววางแผนการมองเห็นและตัวติดตามการเรียนรู้แบบเสริมแรง
- ผลลัพธ์หลัก
- ดำเนินการควบคุมวัตถุด้วยร่างกายทั้งหมดที่ซับซ้อนได้อย่างสำเร็จบนหุ่นยนต์ Unitree G1 ของจริง เช่น การ 运箱, การจับกล่อง และการก้าวข้ามกระเป๋าเดินทาง
- ความสำคัญ
- แสดงให้เห็นว่าหุ่นยนต์สามารถปรับปรุงความสามารถในการรักษาสمดุลและจัดการวัตถุในสภาพแวดล้อมที่ซับซ้อนโดยอาศัยข้อมูลพฤติกรรมของมนุษย์ได้สรุปโดย AI
งานวิจัย2026-10-02 · arXiv (Cornell University)
GOTT: Object-centric Dexterous Manipulation with a Reusable Cross-Embodiment Primitive
- ทำอะไร
- เพื่อืให้มือกลที่มีหลายนิ้วคล้ายมือมนุษย์สามารถจับวัตถุได้อย่างมั่นคงและเคลื่อนย้ายไปในทิศทางที่ต้องการ จึงได้มีการเสนอ GOTT ซึ่งเป็นเทคโนโลยีการสัมผัสที่สามารถใช้ร่วมกันได้ในหุ่นยนต์และรูปทรงมือที่แตกต่างกัน
- ผลลัพธ์หลัก
- รายงานระบุว่าในการจำลองและการทดลองด้วยหุ่นยนต์จริง GOTT สามารถสร้างการสัมผัสที่มั่นคงได้กับวัตถุที่หลากหลาย แพลตฟอร์มแขนและมือ และรูปทรงมือที่ไม่เคยใช้ในการฝึกมาก่อน ทั้งยังช่วยเพิ่มอัตราความสำเร็จของงานโดยรวมอย่างต่อเนื่องเมื่อเทียบกับการใช้วิธีการจับแบบกำหนดล่วงหน้า
- ความสำคัญ
- งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ในการนำเทคโนโลยีเดียวกันกลับมาใช้ใหม่ได้แม้ประเภทของมือกลจะเปลี่ยนไป หากใช้ชิ้นส่วนการเคลื่อนไหวส่วนกลางที่ไม่ขึ้นอยู่กับหุ่นยนต์เฉพาะตัว อย่างไรก็ตาม จากบทคัดย่อเพียงอย่างเดียว ยังยากที่จะประเมินระดับการนำไปใช้เชิงพาณิชย์หรือผลกระทบทางอุตสาหกรรมจริงสรุปโดย AI
งานวิจัย2026-10-01 · arXiv (Cornell University)
Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents
- ทำอะไร
- เสนอ framework RPG ที่ปรับปรุงระบบงานของหุ่นยนต์ด้วยตนเองโดยไม่ต้องอาศัยการแทรกแซงเพิ่มเติมจากมนุษย์
- ผลลัพธ์หลัก
- ในการทดสอบเงื่อนไขเริ่มต้นใหม่ของงานปฏิบัติการ 22 งาน อัตราความสำเร็จเพิ่มขึ้นจาก 28.6% หลังจากการฝึกซ้อมครั้งแรก เป็น 95.0% หลังจากผ่านไป 15 รอบ และการทดสอบกับหุ่นยนต์จริง 30 ครั้งประสบความสำเร็จทั้งหมด
- ความสำคัญ
- งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ในการปรับปรุงซอฟต์แวร์ควบคุมหุ่นยนต์โดยใช้แรงงานมนุษย์น้อยลง แม้ว่าจะยากที่จะตัดสินระดับการประยุกต์ใช้ในอุตสาหกรรมจริงหรือเชิงพาณิชย์ได้จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI
งานวิจัย2026-09-30 · arXiv (Cornell University)
Tactile Curiosity Drives Robot Interaction
- ทำอะไร
- เสนอ TacEx ซึ่งเป็นกรอบการสำรวจที่ช่วยให้หุ่นยนต์พัฒนาความอยากรู้อยากเห็นเกี่ยวกับการสัมผัส (ความรู้สึกเมื่อสัมผัสกับวัตถุ) เพื่อเรียนรู้วิธีการสัมผัสและหยิบจับวัตถุด้วยตนเอง
- ผลลัพธ์หลัก
- ตามบทคัดย่อ TacEx รวบรวมข้อมูลการปฏิสัมพันธ์ที่มีการสัมผัสสูงโดยไม่ต้องอาศัยรางวัลจากงานหรือการสาธิตจากผู้เชี่ยวชาญ และสามารถใช้ข้อมูลนี้เรียนนโยบายการหยิบและวางโดยไม่ต้องมีการปฏิสัมพันธ์กับสภาพแวดล้อมเพิ่มเติม รวมถึงช่วยเพิ่มประสิทธิภาพการเรียนรู้ต่อเนื่องของโมเดลการมองเห็น ภาษา และการกระทำด้วย
- ความสำคัญ
- การเรียนรู้ของหุ่นยนต์แบบเดิมใช้เวลาส่วนใหญ่ไปกับการเคลื่อนไหวแบบสุ่มในอากาศ งานวิจัยนี้แสดงให้เห็นทิศทางว่าการสำรวจโดยเน้นการสัมผัสสามารถปรับปรุงประสิทธิภาพการเรียนรู้ได้ อย่างไรก็ตาม เป็นการยากที่จะตัดสินระดับการนำไปใช้จริงหรือความเป็นไปได้ในการ commercialize จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI
งานวิจัย2026-09-29 · arXiv (Cornell University)
Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation
- ทำอะไร
- นำเสนอวิธี (PRISM) ที่ใช้ AI สร้างวิดีโอจำลองที่หลากหลายโดยอ้างอิงจากวิดีโอจริงของมนุษย์ที่กำลังหยิบจับสิ่งของเพียงไม่กี่รายการ และนำไปใช้ในการฝึกอบรมหุ่นยนต์
- ผลลัพธ์หลัก
- รายงานว่านโยบายการควบคุมเพียงนโยบายเดียวที่เรียนรู้ด้วยวิธีนี้ประสบความสำเร็จในการทำให้หุ่นยนต์ฮิวแมนนอยด์ในโลกจริงสามารถหยิบ ย้าย และวางกล่อง ถังน้ำมัน ถัง และลูกบอลได้โดยไม่ต้องเรียนรู้เพิ่มเติมในโลกจริง
- ความสำคัญ
- มีความสำคัญในแง่ของการแสดงให้เห็นถึงความเป็นไปได้ในการเพิ่มข้อมูลการฝึกอบรมด้วยวิดีโอจริงจำนวนน้อย ในสถานการณ์ที่ยากลำบากในการรวบรวมข้อมูลการสาธิตจากหุ่นยนต์จริงจำนวนมากสรุปโดย AI
งานวิจัย2026-09-28 · The International Journal of Robotics Research
World model for robot learning: A comprehensive survey
- ทำอะไร
- นี่คือบทความสำรวจ (บทความปริทัศน์แบบองค์รวม) ที่รวบรวมและจัดระเบียบ 'เวิลด์โมเดล' ซึ่งเป็นโมเดลที่ทำนายว่าสภาพแวดล้อมจะเปลี่ยนแปลงไปอย่างไรตามการกระทำ จากมุมมองของการเรียนรู้ของหุ่นยนต์
- ผลลัพธ์หลัก
- จากบทคัดย่อ บทความนี้ได้สรุปวิธีการที่เวิลด์โมเดลถูกนำไปใช้ในนโยบายของหุ่นยนต์, ตัวจำลองสถานการณ์, การประเมินผล และการสร้างข้อมูล รวมถึงเส้นทางการพัฒนาของเวิลด์โมเดลวิดีโอของหุ่นยนต์ พร้อมทั้งสรุปชุดข้อมูล, เกณฑ์มาตรฐาน และวิธีการประเมินที่เป็นตัวแทน
- ความสำคัญ
- เอกสารนี้ช่วยรวบรวมแนว2ทางการวิจัยการเรียนรู้ของหุ่นยนต์ที่กระจัดกระจายให้อยู่ในกรอบเดียวกัน ซึ่งช่วยให้เข้าใจทิศทางการวิจัยที่เกี่ยวข้อง อย่างไรก็ตาม บทคัดย่อไม่ได้พิสูจน์ประสิทธิภาพเฉพาะตัวหรือความสำเร็จทางการค้าของแต่ละเทคโนโลยีสรุปโดย AI
