来自加州大学洛杉矶分校的六人团队（全是华人）今天他们公开了他们的机器人学习跳舞和动作的演示，还公开了论文，论文中介绍了一种名为Expressive Whole-Body Control（ExBody）的方法，它旨在让类人机器人（humanoid robots）在现实世界中执行丰富、多样和富有表现力的动作。研究者们通过结... 阅读全文

来自加州大学伯克利分校的研究研究人员发布论文探讨如何让机器人，特别是人形机器人（humanoid），在现实世界中更好地行走。研究者们将这个问题看作是一个“下一个标记预测”问题，这类似于在语言中预测下一个单词。他们的模型是一个因果变换器（causal transformer），通过自回归预测传感器运动轨迹来训练。这种方法... 阅读全文

来自加州大学圣地亚哥分校、南加州大学的研究人员推出CyberDemo，这是一种新颖的方法，它利用在模拟环境中收集的人类演示数据来学习现实世界中的灵巧操作任务。CyberDemo通过在模拟器中进行大量的数据增强，使得在转移到现实世界时，能够处理多样化的物理和视觉条件，从而超越了传统的基于真实世界演示的方法。 项目主页：h... 阅读全文

LMPC是一个创新的框架，它通过结合大语言模型（LLMs）的强大语言理解和生成能力，以及MPC的决策优化技术，显著提高了机器人在复杂任务中的学习速度和适应性。LMPC的核心思想是利用人类反馈来微调LLMs，使其能够更有效地理解和执行人类的指令，从而提高机器人完成任务的效率。 项目主页：https://robot-tea... 阅读全文

来自斯坦福大学、哥伦比亚大学、丰田研究院的研究人员推出了一数据收集和政策学习框架Universal Manipulation Interface（UMI），它允许人们直接从野外的人类演示中转移技能，然后部署到机器人策略中。换句话说，这个框架的目标是让机器人能够通过学习人类的操作方式，来掌握并完成各种任务。 项目主页：h... 阅读全文