'触觉梦境'帮助人形机器人以90.9%更高的成功率完成五个棘手任务
摘要
来自卡内基梅隆大学（CMU）和博世AI中心的研究人员推出了Humanoid Transformer with Touch Dreaming (HTD) 模型，该模型利用触觉信号预测来改进人形机器人的操控能力，在五个真实世界任务中，平均成功率比ACT基线高出90.9%。
https://arxiv.org/abs/2604.13015 https://humanoid-touch-dream.github.io/ 卡内基梅隆大学（CMU）和博世AI中心的研究人员最近开发了一种新的人工智能（AI）系统，可提升人形机器人在接触密集的真实世界环境中执行灵巧全身操控的能力。他们提出的AI模型名为Humanoid Transformer with Touch Dreaming (HTD)，该模型在arXiv预印本服务器上发表的一篇论文中介绍。"在五个真实世界任务中，即插入T形件、整理书籍、折叠毛巾、铲猫砂和倒茶服务，HTD的平均成功率相比更强的ACT基线实现了90.9%的相对提升。 "我们的消融实验还表明，仅仅将触觉作为额外输入是不够的。在潜在空间中预测触觉信号比直接预测原始触觉信号更有效，相比原始触觉梦境，成功率提高了30%。"
相似文章
人形机器人在足球方面变得非常出色
人形机器人在踢足球方面表现出显著进步，展示了运动能力、协调性和人工智能方面的进展。
OmniTacTune：策略无关的真实世界强化学习用于视觉策略的触觉残差适配
OmniTacTune引入了一种两阶段强化学习管道，用于将触觉反馈适配到预训练的视觉机器人策略，在接触丰富的操作任务中，在40-80分钟内实现85-100%的成功率。
Dream.exe：视频生成模型能否梦想可执行的机器人操控？
Dream.exe 提出了一种评估框架，利用机器人操控任务来评估视频生成模型对物理现实的理解，结果发现视觉质量并不能预测可执行运动的准确性。
将人脸映射到小型机器人上（而不是给它一个诡异的人形面孔）？
Hugging Face的一名机器人工程师提出将人类面部表情映射到非人形机器人上，以增强表现力，同时避免恐怖谷效应，并计划利用这些数据进行自主肢体语言训练。
这个人形机器人是一名能力惊人的办公室实习生
Flexion Robotics，一家由前Nvidia研究人员创立的瑞士初创公司，开发了一种AI系统，通过结合仿真、强化学习和视频观察，训练人形机器人执行复杂的办公室任务，实现自主操作，例如取包裹和使用电梯。