标签
Image2Sim是一个神经模拟框架，它能从RGB-D图像创建高保真交互环境，为具身导航智能体提供可扩展的训练。该框架生成了近20K场景和超过1000万训练样本，在基准测试上展现了显著改进，并实现了有效的真实世界零样本迁移。
RynnWorld-4D是一个生成式世界模型，它通过统一的扩散过程，从单张RGB-D图像和语言指令中联合生成未来的RGB、深度和光流，通过逆动力学策略学习实现高效的机器人操作。该模型在真实世界的双手操作任务上达到了最先进水平。
一种流匹配模型可从RGB-D图像生成多样化的人类抓取动作，实现零样本机器人抓取，性能优于现有方法。该模型在大规模自我中心数据集上训练，在新基准测试中显著超越当前最先进的基线方法。
本文提出了几何基本结构（GPS），这是一种用于机器人操作中关节部件感知的新表示方法，支持高效的VR标注，无需微调即可达到73%的成功率。
AFUN 提出了一种可供性基础模型，该模型从 RGB-D 观测和语言描述中预测功能掩码和 3D 运动曲线，从而能够在多种环境中实现泛化的机器人操作。该模型在多个基准测试上优于基线方法，并且无需微调即可部署到实际任务中。
本文提出了COVER，一种无需训练的方法，用于将3D资产转换为具有完整场景覆盖和低冗余度的稀疏全景RGB-D位姿数据，并介绍了包含36,373个来自室内和室外场景的精选帧的CM-EVS数据集。