Modele

Badania

Zasoby modelu manipulacji robotami z Allen Institute for AI.

Badania

InternNav zapewnia platformę do opracowywania podstawowych modeli nawigacji.

Badania

DayDreamer zapewnia światowej klasy metody uczenia się robotów fizycznych.

Badania

Projekt badawczy dotyczący modelu wideo-akcji do sterowania robotyką.

Badania

Narzędzia badawcze do szacowania pozycji obiektu na potrzeby percepcji robotów.

Badania

Implementacja π₀, architektury modelu fundamentu robota zaproponowanej przez inteligencję fizyczną

Badania

GraspVLA zapewnia badania modeli chwytania, wstępnie przetrenowane na podstawie syntetycznych danych dotyczących działań.

Badania

Uczenie się płynnego ruchu humanoidalnego poprzez zasady ograniczone Lipschitzem

Badania

🔥 SpatialVLA: ulepszony przestrzennie model widzenia, języka i działania, który został wytrenowany na 1,1 miliona odcinków rzeczywistych robotów. Zaakceptowano na RSS 2025.

Badania

oficjalna implementacja naszego artykułu Steering Your Generalists: Improving Robotic Foundation Models via Value Guidance (CoRL 2024)

Badania

Oficjalny kod MoLe-VLA: dynamiczny model działania języka wizyjnego z pomijaniem warstw poprzez mieszankę warstw w celu wydajnej manipulacji robotem

Badania

BAAI UniVLA zapewnia ujednolicony projekt badawczy dotyczący modelu wizji, języka i działania.

Badania

Oficjalna realizacja artykułu: „PhysHSI: Towards a Real-World Generalizable and Natural Humanoid-Scene Interaction System”

Badania

UniAct bada uniwersalne reprezentacje działań dla ucieleśnionych modeli podstawowych.

Badania

Naturalna lokomocja, skakanie i regeneracja czworonożnego robota A1 z AMP

Badania

X-VLA bada transformatory wspomagane programowo pod kątem uczenia się poprzez widzenie, język i działanie w różnych postaciach.

Badania

HiMoE-VLA bada hierarchiczną politykę łączenia ekspertów w zakresie uczenia się poprzez wizję, język i działanie.

Badania

DreamDojo bada modele świata robotów wyciągnięte z danych wideo pochodzących od ludzi.

Badania

Oficjalna implementacja artykułu „SR-AIF: Solving Sparse-Reward Robotic Tasks from Pixels with Active Inference and World Models”

Badania

SimpleVLA-RL zapewnia zasoby szkoleniowe w zakresie uczenia się przez wzmacnianie w zakresie zasad VLA.

Badania

VLAC: Model oparty na wizji, języku i działaniu dla robotycznego uczenia się ze wzmocnieniem w świecie rzeczywistym

Badania

VLA-RL zapewnia kod uczenia się przez wzmacnianie do dostosowywania modeli VLA do manipulacji robotycznych.

Badania

LingBot-VLA zapewnia projekt oparty na modelu wizji, języka, działania.

Badania

FOCA bada warunkowanie zorientowane na przyszłość w celu wydajnej adaptacji VLA do danych.