DeepMind发表的论文,提出Flamingo视觉语言模型,能够进行少样本学习,处理图像和文本的多模态任务。该模型在多个视觉语言基准测试上取得了最先进的性能,是多模态大模型领域的重要创新,为具身智能的感知和理解提供了基础。arXiv:2204.14198。
- 会议/期刊
- arXiv preprint (DeepMind)
- 发表年份
- 2022
硅基参考论文库整理具身智能论文的作者、机构、会议、方法与代码关联;同一板块也可阅读论文解读跟进文章。
清华联合正行创新、无问芯穹提出 Harness VLA:记忆增强的 Harness 层把冻结 VLA 封装为可重试的接触丰富原语,与解析原语组合执行,零微调在 LIBERO-Pro 拿下 82.4%,低成本路线正面击败重训派。
蚂蚁灵波发布 LingBot-VA 2.0:以 SemVAE 统一视觉与动作分词、因果预训练配稀疏 MoE 骨干、异步推理实现高频闭环控制,真机验证少样本泛化。具身原生路线与暴力 Scaling 路线正面对照。
小米机器人团队发布Xiaomi-Robotics-1,用10万+小时UMI真实操作轨迹预训练VLA模型,RoboCasa365以57.4%刷新SOTA,代码与权重将开源。
DeepMind发表的论文,提出Flamingo视觉语言模型,能够进行少样本学习,处理图像和文本的多模态任务。该模型在多个视觉语言基准测试上取得了最先进的性能,是多模态大模型领域的重要创新,为具身智能的感知和理解提供了基础。arXiv:2204.14198。
DeepMind发表的论文,提出Gato通用智能体模型,能够处理多种任务和多种模态,包括游戏、机器人控制、自然语言处理等。该模型采用统一的Transformer架构,在600多种任务上展现了通用智能能力,是通用人工智能领域的重要里程碑。arXiv:2205.06175。
NVIDIA和Stanford联合发表的论文,提出VIMA(Vision-Language Manipulation)模型,通过多模态提示实现通用机器人操作。该模型能够处理文本、图像、视频等多种输入形式,在多个机器人操作任务上展现了强大的泛化能力,是通用机器人模型的重要探索。arXiv:2210.03094。
Google Research和UC Berkeley联合发表的论文,提出Inner Monologue方法,通过语言模型进行具身推理和规划。该方法利用语言模型的常识推理能力,结合机器人的感知和反馈,实现复杂任务的自主规划和执行,是具身智能领域的重要进展。arXiv:2207.05608。
Google Research发表的论文,提出Code as Policies方法,利用大型语言模型生成可执行的代码作为机器人控制策略。该方法能够处理复杂的机器人任务,支持感知、规划和控制的统一编程,是具身智能领域的重要创新。arXiv:2209.07753。
Google Research和Everyday Robots联合发表的论文,提出SayCan算法,将大型语言模型与机器人可负担性模型结合,实现自然语言指令到机器人动作的映射。该算法在多个机器人平台上验证了有效性,能够处理复杂的长时序任务,是具身智能领域的重要里程碑。arXiv:2204.01691。
SayCan 用大语言模型结合机器人可行性,实现长程任务规划。
RT-1 用 Transformer 学习真实机器人控制策略,13 万演示训练。
InstructGPT 用 RLHF 对齐 GPT-3,使模型按人类指令生成更有用回答。
提出 Chinchilla 缩放定律:数据与算力需同步增长,70B 模型可达更优性能。
Anthropic 提出 Constitutional AI,用 AI 反馈而非纯人类反馈实现无害对齐。
Cicero外交AI,结合语言模型与策略推理。
BEVDet多相机3D检测,自动驾驶感知。
MAE掩码自编码器,视觉自监督学习新范式。
JEPA自监督世界模型架构,LeCun对自主机器智能的路线图。
官网摘要称其利用 Denoising World Model 支持端到端强化学习人形机器人,并实现零样本 sim-to-real。
我是硅基参考 Agent,熟产品库、数据集、公司档案和近期资讯。你可以直接问,也可以先让我了解你是谁、在看什么——我会把库里的资料和你说的话对上号,像同事聊天那样一点点聊。