@HuggingPapers：MotorMind——冻结的通用VLM可以通过中层动作和异步反馈，像人类遥操作员一样操控机器人……

X AI KOLs Timeline 论文
robotics vision-language-models manipulation zero-shot teleoperation embodied-ai

摘要

MotorMind 论文提出了一种方法：冻结的通用 VLM 可通过中层动作（mid-level actions）和异步反馈，像人类遥操作员一样操控机器人，在零样本、无需任务特定训练的情况下实现强大的机械臂操作能力。

MotorMind 一个冻结的通用 VLM 可以像人类遥操作员一样操控机器人——通过中层动作（mid-level actions）和异步反馈——在无需任何任务特定训练的情况下，实现强大的零样本操作能力。https://t.co/88PKO1Uyos
查看原文
查看缓存全文

缓存时间: 2026/10/06 05:42

MotorMind

一个冻结的通用视觉语言模型（VLM），可以通过中层动作（mid-level actions）和异步反馈（asynchronous feedback）像人类遥操作员一样操控机器人，在零次（zero-shot）条件下实现强大的操控能力，无需任何针对特定任务的训练。 https://t.co/88PKO1Uyos

相似文章

MotorMind：为通用视觉语言模型搭建框架以实现零样本机器人操作

Hugging Face Daily Papers

MotorMind 提出了一套框架（harness），让通用视觉语言模型（VLM）能够直接对观测进行推理、发出中层动作并接收异步反馈，从而控制机器人。在 LIBERO-PRO 零样本任务上达到 66.7% 的成功率（此前方法最高仅 13.3%），在真实 xArm6 机器人上达到 95%，全程无需任务特定训练、编码智能体（coding agent）或接地工具（grounding tools）。

MM-ABC：通过感知、协调与想象实现通用移动操作

Hugging Face Daily Papers

MM-ABC提出一个面向通用移动操作的基础模型，通过稀疏多层VLM特征实现空间感知、以世界想象与几何意图为监督的训练分支，以及在MM-APT中用掩码联合注意力协调操作与移动流。模型在5000+小时、17种本体的数据上预训练，在RoboCasa365、LIBERO等基准及真实移动操作任务上取得强性能。