Bare å samle inn manipulasjonsdata er ikke nok for roboter – de må kunne bevege seg rundt i verden, som har et helt annet sett med utfordringer enn ren manipulasjon. Og å samle navigasjon og manipulasjon i ett rammeverk er enda mer utfordrende. Inn kommer HERMES, fra @fancy_yzc og @still_wtm. Dette er en firetrinns prosess der menneskelige videoer brukes til å sette opp en RL sim-til-real-treningspipeline for å overvinne forskjeller mellom robot- og menneskekinematikk, og brukes sammen med en navigasjonsgrunnmodell for å bevege seg rundt i ulike miljøer. For å lære mer, bli med oss når @fancy_yzc og @still_wtm forteller om hvordan de bygde systemet sitt for å utføre mobil fingerferdig manipulering fra menneskelige videoer i ulike miljøer. Se episode #45 av RoboPapers i dag, ledet av @micoolcho og @chris_j_paxton!

Gående roboter kan gjøre alle slags spennende ting som dans, løping og kampsport — men for at de skal være nyttige, må de kunne bruke beina til å håndtere terreng, til å bevege seg over hindringer, ikke bare rundt seg. Så, hvordan kan vi best trene gangregler for roboter med bein? @ChongZitaZhang snakker med oss om hvordan. Se episode #43 av RoboPapers, ledet av @micoolcho og @chris_j_paxton, nå for å finne ut mer.

Med nok data kan roboter og AI lære «verdensmodeller» som lar dem forutsi resultatene av handlingene sine. Disse modellene er en måte å lære hvordan legemliggjorte AI-agenter kan utføre en lang rekke nyttige oppgaver – men de krever en enorm mengde data. Teamet hos General Intuition @gen_intuition har en løsning: bruk data fra videospill! Spill lærer bevegelse, problemløsning og kompleks romlig resonnement, og de kommer i et svimlende mangfold av former, som dekker et bredt spekter av problemer. Dessuten er de fangede dataene av høy kvalitet, uten støy eller merknadsfeil som kan komme fra Vi satte oss ned med @PimDeWitte og @AdamJelley2 fra General Intuition-teamet for å lære mer om deres historie, deres planer og deres filosofi.