面向部分可观测场景的可见性感知任务与运动规划
Visibility-Aware Task and Motion Planning with Task-Centric Perception
AI 摘要
MIT 团队提出可见性感知任务与运动规划算法,将传感动作插入原本假设全可观测的规划骨架,并用持久化物体记忆把观测融合为物体网格假设与占据地图。在存在重遮挡的真实桌面重排任务中,该方法优于缺乏主动感知或持久记忆的基线。
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。
Visibility-Aware Task and Motion Planning with Task-Centric Perception
AI 摘要
MIT 团队提出可见性感知任务与运动规划算法,将传感动作插入原本假设全可观测的规划骨架,并用持久化物体记忆把观测融合为物体网格假设与占据地图。在存在重遮挡的真实桌面重排任务中,该方法优于缺乏主动感知或持久记忆的基线。
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。
研究团队提出ForceHarness,无需演示数据或微调,即可让仅通过API调用的冻结多模态模型完成依赖接触力的操作任务。该方法先由腕部力传感器或关节力矩标定手部受力,再用可自终止的力原语,在模型下层独立完成力的闭环调节,并通过物理翻译层把力信号转成模型可推理的表征,弥补图像无法反映接触力的缺陷。
Yongji Fu、Yijiong Lin 等提出 TacBridge,用跨传感器对应关系从多传感器触觉视频中学习统一表征。方法先做多传感器掩码触觉视频预训练,获取跨传感器的时空表征,再用配对样本联合训练同一掩码模型做同传感器与跨传感器重建。
Murad Dawood 等提出一种人形机器人全身控制方法:训练时用动捕演示构建全身跟踪奖励并监督特权评论家网络,而执行器输入仅保留紧凑速度指令与机器人自身观测。部署时无需参考轨迹,策略即可复现演示中的运动风格,并能应对训练分布外的运动指令。
Guoqiang Liang 等人发布机器人奖励模型(RRM)综述,将 114 种方法按输出语义分为结果、绝对进度、相对、时序价值与混合五类,梳理模型设计如何决定评估能力、原始经验如何转为监督信号。作者指出,现有评测依赖与示教顺序的一致性或下游策略增益,无法说明奖励是否真正反映任务完成度,并提出 RRM-Bench-1K。