TL;DR
- چکیده:.
- دستیابی به جابجایی ربات چهارپا در زمینهای متنوع و پویا چالشهای مهمیرا ایجاد میکند،.
- در درجه اول به دلیل اختلاف بین محیطهای شبیهسازی و شرایط دنیای واقعی.
چه اتفاقی افتاد
چکیده:. دستیابی به جابجایی ربات چهارپا در زمینهای متنوع و پویا چالشهای مهمیرا ایجاد میکند،.
در درجه اول به دلیل اختلاف بین محیطهای شبیهسازی و شرایط دنیای واقعی. روشهای سنتی انتقال سیم به واقعی اغلب به طراحی ویژگیهای دستی یا تنظیم دقیق پرهزینه در دنیای واقعی.
متکی هستند. برای پرداختن به این محدودیتها،.
این مقاله چارچوب DreamTIP را پیشنهاد میکند که یادگیری ویژگیهای تغییرناپذیر وظیفه را در معماری مدل دنیای Dreamer. برای افزایش قابلیتهای انتقال از طریق سیم به واقعی ترکیب میکند.
DreamTIP با هدایت مدلهای زبانی بزرگ،. ویژگیهای Task-Invariant،.
مانند پایداری تماس و فاصله از زمین را شناسایی کرده و از آنها استفاده میکند،. که مقاومت در برابر تغییرات پویا و قابلیت انتقال قوی در بین وظایف را نشان میدهند.
این ویژگیها بهعنوان اهداف پیشبینی کمکی در مدل جهانی ادغام میشوند و این امکان را فراهم میکنند سیاست. یادگیری بازنماییهایی که نسبت به تغییرات پویا اساسی حساس نیستند.
علاوه بر این،. یک استراتژی انطباق کارآمد طراحی شده است که از یک بافر پخش ترکیبی و محدودیتهای منظمسازی استفاده میکند.
تا به سرعت به دینامیک دنیای واقعی کالیبره شود و در عین حال بهطور موثر فروپاشی نمایش و. فراموشی فاجعهبار را کاهش دهد.
آزمایشهای گسترده بر روی زمینهای پیچیده،. از جمله پله،.
صعود،. شیب و کرال،.
نشان میدهد که DreamTIP بهطور قابلتوجهی در محیطهای شبیهسازیشده و واقعی بهتر از خطوط پایه پیشرفته است. روش ما به بهبود عملکرد متوسط 28.
1 ٪ در هشت وظیفه انتقال شبیهسازی شده مجزا دست مییابد. در تکلیف Climb در دنیای واقعی،.
روش پایه فقط به نرخ موفقیت 10\ دست یافت،. در حالی که روش ما به میزان موفقیت 100 ٪ دست یافت.
این نتایج نشان میدهد که ترکیب ویژگیهای تغییر ناپذیر وظیفه در یادگیری Dreamer راهحل جدیدی ارائه میدهد برای. دستیابی به جابجایی ربات قوی و قابل انتقال.
پذیرفته شده توسط کنفرانس بین المللی IEEE در زمینه رباتیک و اتوماسیون (ICRA) 2026 رباتیک (cs. RO) استناد بهعنوان: (یا v1 [cs.
RO] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
JunYang Liang [مشاهده ایمیل] [v1] جمعه،. 3 آوریل 2026،.
09:. 27:.
36 UTC (1,. 549 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.