Modelle

Forschung

Ressourcen für Robotermanipulationsmodelle vom Allen Institute for AI.

Forschung

InternNav bietet eine Plattform für die Entwicklung von Navigationsgrundmodellen.

Forschung

DayDreamer bietet Weltmodellmethoden für das Lernen physischer Roboter.

Forschung

Ein Video-Aktionsmodell-Forschungsprojekt zur Robotersteuerung.

Forschung

Forschungstools zur Objektpositionsschätzung für die Roboterwahrnehmung.

Forschung

Implementierung von π₀, der von Physical Intelligence vorgeschlagenen Roboter-Grundmodellarchitektur

Forschung

GraspVLA bietet Greifmodellforschung, die mit synthetischen Aktionsdaten vorab trainiert wurde.

Forschung

Erlernen der reibungslosen humanoiden Fortbewegung durch Lipschitz-beschränkte Richtlinien

Forschung

🔥 SpatialVLA: ein räumlich verbessertes Vision-Sprach-Aktionsmodell, das auf 1,1 Millionen echten Roboterepisoden trainiert wurde. Akzeptiert bei RSS 2025.

Forschung

offizielle Umsetzung für unser Paper Steering Your Generalists: Improving Robotic Foundation Models via Value Guidance (CoRL 2024)

Forschung

Offizieller Code für MoLe-VLA: Dynamisches Layer-Skipping-Vision-Language-Action-Modell über Layer-Mixture-of-Layers für eine effiziente Robotermanipulation

Forschung

BAAI UniVLA bietet ein einheitliches Forschungsprojekt für Vision-Sprach-Aktionsmodelle.

Forschung

Offizielle Umsetzung des Papiers: „PhysHSI: Towards a Real-World Generalizable and Natural Humanoid-Scene Interaction System“

Forschung

UniAct untersucht universelle Aktionsdarstellungen für verkörperte Fundamentmodelle.

Forschung

Natürliche Fortbewegung, Springen und Erholung des vierbeinigen Roboters A1 mit AMP

Forschung

X-VLA untersucht Soft-Prompted-Transformatoren für das verkörperungsübergreifende Lernen von Vision, Sprache und Aktion.

Forschung

HiMoE-VLA untersucht hierarchische Expertenmischungsrichtlinien für Vision-Sprache-Aktion-Lernen.

Forschung

DreamDojo untersucht Roboterweltmodelle, die aus menschlichen Videodaten gelernt wurden.

Forschung

Offizielle Implementierung für den Artikel „SR-AIF: Solving Sparse-Reward Robotic Tasks from Pixels with Active Inference and World Models“

Forschung

SimpleVLA-RL bietet Schulungsressourcen zur Verstärkung des Lernens für VLA-Richtlinien.

Forschung

VLAC: Ein visionäres, handlungskritisches Modell für robotergestütztes Verstärkungslernen in der realen Welt

Forschung

VLA-RL bietet Reinforcement-Learning-Code zur Anpassung von VLA-Modellen an die Robotermanipulation.

Forschung

LingBot-VLA bietet ein Vision-Sprache-Aktion-Grundmodellprojekt.

Forschung

Das BAZL untersucht zukunftsorientierte Konditionierung zur dateneffizienten VLA-Anpassung.