via FindTheSniper App
  • 1
🤖 Automatyczne wsparcie protestu #freemp4!

W pełnej solidarności z autorem, ten komentarz został wygenerowany automatycznie, a ten sam przestarzały GIF ląduje właśnie po raz kolejny na serwerach Wykopu, ale odwrócony. Będziemy dublować zmarnowaną przestrzeń dyskową, dopóki serwis nie obudzi się w 2026 roku i nie udostępni natywnej obsługi nowoczesnego, lekkiego formatu MP4 z dźwiękiem!

Wykop.pl - czas na zmiany!

FindTheSniper - 🤖 Automatyczne wsparcie protestu #freemp4!

W pełnej solidarności z ...

źródło: sniper

Pobierz
  • Odpowiedz
via FindTheSniper App
  • 1
🤖 Automatyczne wsparcie protestu #freemp4!

W pełnej solidarności z autorem, ten komentarz został wygenerowany automatycznie, a ten sam przestarzały GIF ląduje właśnie po raz kolejny na serwerach Wykopu, ale odwrócony. Będziemy dublować zmarnowaną przestrzeń dyskową, dopóki serwis nie obudzi się w 2026 roku i nie udostępni natywnej obsługi nowoczesnego, lekkiego formatu MP4 z dźwiękiem!

Wykop.pl - czas na zmiany!

FindTheSniper - 🤖 Automatyczne wsparcie protestu #freemp4!

W pełnej solidarności z ...

źródło: sniper

Pobierz
  • Odpowiedz
via FindTheSniper App
  • 2
@Guminator: 🤖 Automatyczne wsparcie protestu #freemp4!

W pełnej solidarności z autorem, ten komentarz został wygenerowany automatycznie, a ten sam przestarzały GIF ląduje właśnie po raz kolejny na serwerach Wykopu. Będziemy dublować zmarnowaną przestrzeń dyskową, dopóki serwis nie obudzi się w 2026 roku i nie udostępni natywnej obsługi nowoczesnego, lekkiego formatu MP4 z dźwiękiem! Wykop.pl - czas na zmiany! #freemp4 #freewebp
FindTheSniper - @Guminator: 🤖 Automatyczne wsparcie protestu #freemp4!

W pełnej sol...

źródło: sniper

Pobierz
  • Odpowiedz
Generując syntetyczne dane, 38-miliardowy model zwiększa skuteczność fizycznego robota w trudnych zadaniach z 36,9% do 63,2%. 🤖

Xiaomi-Robotics-U0 to 38-miliardowy model fundacyjny świata, traktujący generowanie ucieleśnione jako rozszerzenie klasycznych modeli generatywnych. W jednej architekturze łączy tekstobraz, edycję, generowanie scen 3D i wideo, zachowując spójność wielowidokową, geometrię oraz dynamikę interakcji. Model nie tylko tworzy fotorealistyczne środowiska dla różnych robotów, ale wprowadza strukturalny transfer - drobnoziarnistą edycję z zachowaniem fizyki. Kluczowa funkcja: działa jako skalowalny
uzior - Generując syntetyczne dane, 38-miliardowy model zwiększa skuteczność fizyczne...

źródło: card

Pobierz
  • Odpowiedz
  • Otrzymuj powiadomienia
    o nowych komentarzach

Robot w zagraconym pomieszczeniu zawodzi zwykle nie z powodu braku ścieżki, ale źle dobranego marginesu bezpieczeństwa. 🛠️🤖

Planery dyfuzyjne generują z kamery RGB-D wiele propozycji trajektorii, dotąd jednak nie było dobrego sposobu, by wybrać tę z adaptacyjnym prześwitem. Badacze proponują kontekstowego krytyka bezpieczeństwa, rozkładając ranking na trzy składniki: karę za budżet prześwitu z resztą funkcji bariery sterowania dla bezpieczeństwa w punktach trasy i przejściach, karę za gładkość i objazdy odciętą bramką bezpieczeństwa oraz
uzior - Robot w zagraconym pomieszczeniu zawodzi zwykle nie z powodu braku ścieżki, a...

źródło: card

Pobierz
  • Odpowiedz
  • Otrzymuj powiadomienia
    o nowych komentarzach

Robot po treningu wyłącznie na danych zebranych bez udziału fizycznego robota osiągnął 85% skuteczności w precyzyjnym zadaniu wkładania. 🤖🛠️

Zespół Simple AI zbudował system HiFi-UMI - przenośny zestaw kamer i czujników, który rejestruje demonstracje manipulacji z dokładnością 3 mm dla końcówki roboczej, bez zewnętrznego systemu śledzenia. Kluczowe okazały się: stereoskopowy SLAM montowany na głowie, synchronizacja GPIO na poziomie mikrosekund oraz dwie szerokokątne kamery na dłoń (łącznie ~200 stopni pola widzenia). Polityka wytrenowana wyłącznie
uzior - Robot po treningu wyłącznie na danych zebranych bez udziału fizycznego robota...

źródło: card

Pobierz
  • Odpowiedz
  • Otrzymuj powiadomienia
    o nowych komentarzach

Roboty uczą się rozumieć obiekty w 3D, nie używając żadnych sensorów głębi. 🤖🛠️

Nowa metoda treningu modeli VLA (wizja-język-akcja) każe im internalizować strukturę przestrzenną przedmiotów wyłącznie na podstawie obrazu 2D. Podczas treningu wykorzystuje się SAM3D jako zamrożonego nauczyciela - lokalizuje on obiekty, tworzy maski i wyciąga gęste, trójwymiarowe reprezentacje celu. Są one wpasowywane w cechy wizualne modelu π₀, który uczy się działać tak, jakby widział głębię. W testach na LIBERO osiągnięto 99,1%, a
uzior - Roboty uczą się rozumieć obiekty w 3D, nie używając żadnych sensorów głębi. �...

źródło: card

Pobierz
  • Odpowiedz
  • Otrzymuj powiadomienia
    o nowych komentarzach