触觉数据集与双专家模型提升机器人精细操作
Robots Are Learning to Feel
AI 摘要
UC伯克利Trevor Darrell团队构建T-Rex触觉数据集,含100小时、200余种家用物品的擦拭、抓取、拧转、倾倒演示;并在预训练VLA上增加触觉专家子模型,以四倍于动作专家的速度实时修正抓握,弥补视觉模型在插USB线、拧钥匙等精细任务上的不足。
标题与摘要由 AI 根据原文自动生成,可能存在偏差;具体数据与结论请以原文为准。
Robots Are Learning to Feel
AI 摘要
UC伯克利Trevor Darrell团队构建T-Rex触觉数据集,含100小时、200余种家用物品的擦拭、抓取、拧转、倾倒演示;并在预训练VLA上增加触觉专家子模型,以四倍于动作专家的速度实时修正抓握,弥补视觉模型在插USB线、拧钥匙等精细任务上的不足。
标题与摘要由 AI 根据原文自动生成,可能存在偏差;具体数据与结论请以原文为准。
VicOne借助AI辅助研究,在不到两天内于Physical AI生态的软件与工具中发现28个零日漏洞,涉及Google、NVIDIA、Meta等机构维护的项目;初步验证均归类为零日,部分尚无CVE编号。其中75%集中在开发训练与仿真验证环节,可能影响模型、测试结果和下发指令,机器人团队需尽快排查并评估安全影响。
作者提出 DAPPT,一种不仿真沙子、橡皮泥等非刚体材料的 sim-to-real 框架:先用领域参数化程序轨迹学习域感知强化学习策略,再蒸馏为端到端传感器运动策略,并利用显式域表示快速搜索最优域参数。在沙铲取、橡皮泥擀面等六项灵巧工具使用任务上完成端到端验证。
Röfer 等人提出 Cleanly-DINO,从少量示范学习视觉任务空间:利用任务区域掩码和冻结 ViT 特征拟合投影以隔离任务空间,并学习任务进展度量。模型在多样清洁示例上训练,能定位未完成区域并跨视觉域迁移,还作为强化学习的观测编码器和奖励信号,并部署于机器人。
VicOne LAB R7 演示伪造输入可改变机器人行为:对抗图像降低VLA任务成功率,海报文字改变机器狗运动,不可闻音频篡改医院服务机器人仿真行为,ROS 2/DDS消息注入让本应静止的机器人移动。研究指出,独立安全系统同样依赖传感器与消息,输入被操纵时保护可能失效。