Guminator
#gif #heheszki #robotyka #sztucznainteligencja #trzecieoko
Robot ma padaczkę albo został opętany

  • Najlepsze
  • Wszystkie komentarze
naemiel
@Guminator: znowu się coś popsuło
edwolf
@Guminator: albo tańczy horyzontalnie
Guminator
#robotyka #gif #ai #warchocki #heheszki
Warchocki biegnie w gorące

  • Najlepsze
  • Wszystkie komentarze
Hellicon
@Guminator: Jeszcze trochę i się ogarną, a potem nas dojadą za te wszystkie heheszki.
FindTheSniper
FindTheSniper
@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
Guminator
#gif #heheszki #robotyka
Warchocki bije rekord prędkości na bieżni

  • Najlepsze
  • Wszystkie komentarze
Mokotowski
  • Najlepsze
  • Wszystkie komentarze
uzior
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
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
uzior
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
uzior
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%,
uzior
Nowa architektura sterowania pozwala robotom reagować na dotyk 4 razy szybciej niż dotychczasowe modele, bez utraty zdolności przewidywania ruchu. 🛠 🤖

Polityki oparte na dużych modelach przewidują akcje, ale nie reagują w trakcie ruchu - potok percepcja-akcja jest za wolny. πR² rozdziela wejście na szybką propriocepcję i wolną wizję, a akcję generuje w jednym kroku odszumiania. Replanuje dzięki temu ~25 Hz (4× szybciej), z reakcją co 40 ms. Wzrost skuteczności: +23% w symulacji,
  • Najlepsze
  • Wszystkie komentarze
uzior
Nowa architektura sterowania robotem przewyższa model OpenVLA o 18%, wykorzystując zaledwie 0,7% jego parametrów. 🛠 🤖

Współczesne polityki sterowania zwykle kompresują obserwację do jednego tokena, tracąc szczegóły przestrzenne. Zespół z New York University, z udziałem Yanna LeCuna, proponuje Patch Policy - lekkie rozszerzenie architektury transformerów. Wykorzystuje maskę blokowo-przyczynowej uwagi, by model bezpośrednio konsumował gęste tokeny z wstępnie wytrenowanego ViT. Daje to 40% relatywną poprawę nad reprezentacjami typu global-pooling. (preprint, oczekuje recenzji)

Pozwala to na