标签
GeneralVLA-2 引入了 GeoFuse-MV3D 以改进 3D 重建，以及一个受控的 KnowledgeBank 以在机器人操作任务中实现更好的记忆管理，在多个基准测试上取得了性能提升。
EgoPhys 提出一个框架，利用通用先验和紧凑码本从第一人称 RGB 视频构建可变形物理数字孪生，无需针对每个弹簧进行优化即可实现对新物体的零样本泛化。该系统在真实机器人上进行了演示，表明第一人称人类玩耍视频可以作为可变形物体规划的内部世界表征。
本文介绍了A4D，一个将视觉观察映射到围绕可供性（例如“可移动”）构建的共享潜在空间中的框架，用于机器人规划。它在现有可供性上实现了94%的推理准确率，比现有最优方法高出15%，并且实现了100倍的推理速度提升，对未见过的物体功能具有更强的泛化能力。
本文介绍了LC-MAPF，一种带有可学习通信模块的预训练模型，用于多智能体路径规划，它改善了协调性，并在保持可扩展性的同时优于现有基于学习的求解器。
MIT研究人员开发了VLMFP，这是一种结合视觉语言模型与形式化规划软件的两阶段生成式AI方法，在机器人导航等复杂视觉规划任务中达到了70%的成功率，比现有基线方法高出近2.3倍。该方法能自动将视觉场景转化为传统求解器可处理的规划文件，从而在新环境中实现高效的长期规划。