11:58arXiv cs.LG@Maggie Wang, Lars Osterberg, Stephen Tian, Ola Shorinwa, Jiajun Wu, Mac SchwagerInSight框架通过将VLA模型在原始动作层面变得可操控,从而解锁自主技能获取能力。该框架包含自动分割管道,利用VLM计划分解和末端执行器姿态将演示分割成带标签的原始动作,以及VLM引导的数据飞轮,自动识别缺失原始动作并尝试演示。在模拟和真实世界操作任务中(包括方块翻转、抽屉关闭、清扫、扭转、倒水)评估,无需任何人工演示即可学习这些技能。学到的原始动作可组合执行新颖的长周期任务,无需额外人工演示。论文InSightVLA操作技能自主学习机器人推荐理由:这篇论文提出了InSight框架,让机器人通过VLA模型自己学新技能,不用人教,就能搞定方块翻转、倒水这些操作,很有实用性。原文
10:46arXiv cs.AI@Mingtong Zhang, Dhruv Shah论文提出了VERITAS框架,将预训练通用机器人策略作为“生成器”,搭配无梯度的“视觉验证器”在推理时评估动作。该框架无需额外训练即可提升策略性能,优于原通用策略。使用验证的自主轨迹进行微调后,策略性能持续提升,且效率与专家演示相当,无需人工干预。实验表明推理时验证是一种实用且可扩展的部署改进机制。论文VERITAS机器人推理时验证策略改进自主学习推荐理由:这篇论文展示了如何用视觉验证器让机器人策略在推理时自我改进,无需额外训练,效率堪比专家演示,值得关注。原文