새로 나온 로봇, 피지컬 AI 논문과, 각 논문이 업계에 갖는 의미.
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.
XPeng 등 공동 연구진이 점과 박스를 공용 어휘의 양자화 좌표로 생성하는 4B 파라미터 그라운딩 기반 모델 GroundingPI를 공개했다. 이 프리프린트는 34개 벤치마크 평균 73.68%로 GPT-6 Astra(71.54%)를 넘었고, RoboTwin 2.0의 네 가지 OOD 설정 모두에서 비교 백본 중 1위를 기록했으며, RoboCasa-GR1에서는 50% 데모만으로 다른 모델의 75% 성능을 웃돌았다. 범용 VLM의 정밀 지각 한계를 줄여 실행 계층을 위한 지각 기반 모델의 가능성을 보였다.
이 논문은 RL로 학습한 액터, 크리틱과 센서 예측 모델을 PAC-NMPC에 결합해 미지 환경에서 확률적 안전을 보장하는 Actor-Critic PAC-NMPC를 제안했다. 고정익 UAV 하드웨어 실험에서 성공률 80%로 기존 RL 액터와 PAC-NMPC의 40%를 크게 웃돌았고, 시뮬레이션에서는 90% 성공률을 기록했다. 이는 학습 기반 장기 계획과 샘플링 기반 SNMPC의 충돌 확률 상한 보장을 동시에 얻는 방법이다. arXiv 프리프린트다.
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.
논문은 arXiv 로봇 피드에서 가져옵니다. 요약이 아직 작성되지 않은 논문은 초록의 첫 부분을 보여줍니다.