搜索结果
找到 8 条关于"跨本体"的结果
PrimeSim：用 3 万小时跨本体示范把视频模型变成机器人世界模拟器
中期训练语料约 30,110 小时、22 个机器人平台，真实与仿真比例约 84:16；四步蒸馏后官方测得约 10.1 FPS，最长展示约 105 秒的连贯回滚；在 WorldSimProbe 上对五个开源动作条件世界模型领先五项中的四项，均分 66.6；EWMBench 总分 6.09；八个不同水平的 OpenVLA-OFT 策略在 PrimeSim 与 LIBERO 物理模拟器中的成功率 Spearman ρ=1.00、Pearson r=0.99；在 PrimeSim 内做 200 步 GRPO 后，策略在物理模拟器中的成功率从 61.7% 升至 73.2%；作者称将发布权重与代码
DreamX：把视频扩散模型变成跨本体通用潜动作学习器
动机：现有潜动作常纠缠外观变化，限制跨本体；方法：复用视频扩散模型提取紧凑潜动作；目标：执行一致、外观/本体更不变；提交日期 2026-11-03（cs 相关）
基于异构数据的机器人群体学习
这份 MIT 博士论文《基于异构数据的机器人群体学习》（Robot Fleet Learning From Heterogeneous Data）讨论的是：训练通用机器人模型时，数据异构性为什么成为关键路障，以及能否利用机器人群体的异构数据来跨本体、跨任务地学习。
Physical Intelligence：π0.7——可引导、具涌现能力的通用机器人基础模型
π0.7能在陌生环境中执行多阶段指令，并实现零样本跨本体泛化，例如在未见过该任务的情况下叠衣服。；核心思想是训练时使用多样化的上下文条件，在提示中加入任务表现元数据、子目标图像等多模态信息。；因此可利用演示、含失败的自主数据和非机器人数据训练，开箱操作咖啡机的表现接近专门RL微调模型。
仿生学习与控制框架实现跨本体跨任务运动
面向跨本体、跨任务运动的仿生学习与控制框架
以统一感知、策略学习与规划实现可泛化机器人操作
机器人操作要真正做到跨目标、跨环境、跨本体泛化，是这个领域公认的难点。数据变多、训练规模变大确实带来了实打实的进展，但论文摘要直说，现有方法在两处仍然吃力：没见过的非结构化环境，以及长时程任务。
AIRoA-0：用手持夹爪数据训练的长程、跨本体双臂操作模型（开源1.6万小时数据集）
只用人手持YUBI夹爪录制的数据训练，10项长程精细任务平均成功率78%（同数据后训练的四个VLA最强为27%），同一权重跑在Franka、UR、OpenArm等机械臂上；公开16,151小时数据集、预训练权重与后训练配方。
XEbench 白皮书：同一策略在不同机械手上的跨本体评测协议
提出开放协议衡量同一机器人策略换到不同本体后在哪里失效；初步结果中，同协议微调的开源基线 Octo-Base 误差低于其自家 XE-0.1 模型。