Neue Studien zu Robotik und Physical AI, jeweils mit ihrer Bedeutung für die Branche.
Mastering robot manipulation skills via reinforcement learning (RL) remains largely sample-inefficient. The most common RL algorithms rely on random action sampling to discover new strategies, resulting in agents that allocate most of their training budget to motions in free space, away from the contacts from which manipulation skills emerge.
In einem Preprint wird GroundingPI vorgestellt, ein 4-Milliarden-Parameter-Grounding-Foundation-Model, das Punkte und Boxen als quantisierte Koordinaten in einem gemeinsamen Vokabular erzeugt. Über 34 Grounding-Benchmarks mit 44 Baseline-Vergleichen erreicht das Modell einen Durchschnitt von 73,68 % und liegt damit vor dem größeren GPT-6 Astra mit 71,54 %. Als Perzeptionsbackbone verbessert es Robotermanipulation und autonomes Fahren, etwa mit bis zu 24,8 % relativem Vorteil im RoboTwin-2.0-OOD-Setting.
Das Preprint beschreibt eine Methode, die stochastische modellprädiktive Regelung (PAC-NMPC) mit durch Reinforcement Learning trainierten Actor-Critic- und Sensorprädiktionsmodellen kombiniert, um in unbekannten Umgebungen mit lokaler Wahrnehmung probabilistisch sicher zu navigieren. In Simulation und Hardwareversuchen auf einem Fixed-Wing-UAV erreicht der Ansatz höhere Erfolgsraten als die Einzelkomponenten und Baselines, in der Simulation 90 Prozent, in Hardware 80 Prozent. Er verbessert damit die Sicherheit von RL-Policies und die Langzeitleistung von NMPC durch statistische Garantien.
Agile flight tasks such as drone racing and pursuit-evasion require strong acceleration and precise turns, but the available thrust changes as the battery discharges and voltage drops under load. Conservative command limits make this variation easier to tolerate, at the cost of unused performance.
Constrained Reinforcement Learning has recently gained increasing attention in the field of Safe Autonomous Driving, where the general mechanism is to maximize the expected reward while keeping the overall action risk bounded. In this way, the safety issues arising in AD can be mitigated through constrained actions.
RL policies trained in GPU simulation transfer zero-shot to a commodity humanoid on rough terrain.
Die Studien stammen aus den Robotik-Feeds von arXiv. Solange unsere Zusammenfassung fehlt, erscheinen die ersten Zeilen des Abstracts.