4515 पेपर
TerraTransfer एक एंड-टू-एंड स्वायत्त ड्राइविंग फ्रेमवर्क पेश करता है जो पॉलिसी लर्निंग को विजुअल परसेप्शन से अलग करके विशेषज्ञ प्रदर्शनों की आवश्यकता को समाप्त करता है, जो वेक्टरकृत सिम्युलेटर्स में सेल्फ-प्ले का उपयोग करके एक ड्राइविंग पॉलिसी उत्पन्न करता है जिसे बाद में केवल युग्मित (इमेज, सीन-स्टेट) डेटा का उपयोग करके एक प्री-ट्रेन्ड विजन बैकबोन के साथ संरेखित किया जाता है।
यह शोधपत्र LeaP को प्रस्तुत करता है, जो एक सीखने योग्य सोर्स प्रायर (source prior) है जो जनरेटिव रोबोटिक पॉलिसियों में मानक गॉसियन इनिशियलाइजेशन (Gaussian initialization) के स्थान पर प्रोप्रियोसेप्शन-कंडीशन्ड (proprioception-conditioned) वितरण को प्रतिस्थापित करता है, जिससे सिमुलेशन और वास्तविक दुनिया के मैनिपुलेशन कार्यों दोनों में सफलता दर और अभिसरण (convergence) में महत्वपूर्ण सुधार होता है।
यह शोध पत्र एक मैनिफोल्ड-अवेयर एक्सपीरियंस रिप्ले फ्रेमवर्क प्रस्तुत करता है जो विविध कार्यों के बीच सीखे गए लोकोमोटर संदर्भों को कैटास्ट्रोफिक फॉरगेटिंग के बिना संरक्षित करके नैदानिक उपयोगकर्ताओं के लिए एक्सोस्केलेटन नियंत्रण के निरंतर ऑनलाइन वैयक्तिकरण को सक्षम बनाता है, जो बेसलाइन विधियों की तुलना में टॉर्क और गेट फेज ट्रैकिंग सटीकता में महत्वपूर्ण सुधार प्राप्त करता है।
यह अध्ययन प्रदर्शित करता है कि सुदृढीकरण लर्निंग (reinforcement learning) के साथ प्रशिक्षित एक वर्चुअल इन्फेंट मॉडल (MIMo), स्वाभाविक रूप से यथार्थवादी रोलिंग व्यवहार प्राप्त कर सकता है जो मानव विकासात्मक प्रवृत्तियों को दर्शाते हैं, जो यह रेखांकित करता है कि कैसे बदलती शारीरिक आकृति विज्ञान (body morphology) संवेदी-मोटर विकास को आकार देती है।
MuseVLA एक अनुकूलन योग्य मल्टीमॉडल विजन-लैंग्वेज-एक्शन मॉडल है जो विभिन्न सेंसरों को ऑन-डिमांड टूल्स के रूप में गतिशील रूप से आमंत्रित करता है, उनके रीडिंग को एक एकीकृत "ग्राउंडेड सेंसर इमेज" प्रतिनिधित्व में परिवर्तित करता है, और तापमान, ऑडियो या रडार सेंसिंग की आवश्यकता वाले जटिल रोबोटिक मैनिपुलेशन कार्यों में बेहतर प्रदर्शन प्राप्त करने के लिए एक डेटा सिंथेसिस पाइपलाइन का लाभ उठाता है।
यह शोध पत्र ERQA-Plus को पेश करता है, जो एक नैदानिक बेंचमार्क है जिसमें पांच तर्क श्रेणियों में 1,766 प्रश्न-उत्तर उदाहरण शामिल हैं, जिसका उद्देश्य वर्तमान एम्बोडीड एआई (embodied AI) मॉडलों की समग्र उच्च सटीकता के बावजूद स्थानिक, प्रक्रियात्मक और सामाजिक तर्क में विशिष्ट सीमाओं का मूल्यांकन करना और उन्हें उजागर करना है।
Qwen-RobotManip एक सामान्यीकरण योग्य विजन-लैंग्वेज-एक्शन फाउंडेशन मॉडल है जो प्रतिनिधित्व, गति और व्यवहार संबंधी आयामों में एक एकीकृत संरेखण ढांचे का लाभ उठाता है ताकि लगभग 38,100 घंटों के ओपन-सोर्स कॉर्पस पर बड़े पैमाने पर प्रशिक्षण सक्षम किया जा सके, जिससे विविध रोबोटिक प्लेटफॉर्म और आउट-ऑफ-डिस्ट्रीब्यूशन बेंचमार्क में अत्याधुनिक प्रदर्शन और उभरती हुई सामान्यीकरण क्षमताएं प्राप्त होती हैं।
यह शोध पत्र WAM-RL को प्रस्तुत करता है, जो एक नवीन सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है जो पुनर्निर्माण पुरस्कारों (reconstruction rewards) के माध्यम से विश्व और क्रिया मॉडलों के संयुक्त ऑनलाइन अनुकूलन को सक्षम बनाता है, यह प्रदर्शित करते हुए कि विशेषज्ञ-मात्र प्रशिक्षण की सीमाओं से परे दीर्घ-क्षिति हेरफेर कार्यों (long-horizon manipulation tasks) में उत्कृष्ट प्रदर्शन प्राप्त करने के लिए दोनों घटकों का सह-विकास करना आवश्यक है।
PearlVLA एक अभिनव विजन-लैंग्वेज-एक्शन फ्रेमवर्क है जो विचार-विमर्श (deliberation) को एक विजन-लैंग्वेज मॉडल के लेटेंट स्पेस में ले जाकर LIBERO बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करता है, जहाँ एक फ्रोजन लेटेंट वर्ल्ड मॉडल द्वारा निर्देशित और कॉज़ल रिवॉर्ड आरएल (causal reward RL) के माध्यम से अनुकूलित एक पुनरावृत्ति परिशोधन प्रक्रिया (iterative refinement process) कम-विलंबता वाले एक्शन जनरेशन और स्पष्ट लॉन्ग-होरिज़न प्लानिंग के बीच संतुलन बनाती है।
Qwen-RobotNav एक स्केलेबल, पैरामीट्रिक नेविगेशन मॉडल है जिसे 15.6M नमूनों पर प्रशिक्षित किया गया है जो एजेंटिक सिस्टम को बिना किसी आर्किटेक्चरल बदलाव के इन्फरेंस के समय गतिशील रूप से अवलोकन रणनीतियों और कार्य मोड को पुनर्गठित करने में सक्षम बनाता है, जिससे विविध बेंचमार्क और वास्तविक दुनिया के रोबोट्स में अत्याधुनिक प्रदर्शन और मजबूत ज़ीरो-शॉट सामान्यीकरण प्राप्त होता है।