RCRA：按行人反应性调节残差自适应的导航框架
作者提出 RCRA 在线自适应框架，依据估计的行人反应性调节冻结保守导航策略周围的残差。基于 Transformer 的反应性估计器在仿真中比假设行人目标已知的贝叶斯基线场景平均准确率提升 12.62 个百分点。在每场景成功率均超过 90% 的基线中，RCRA 相对保守骨干网络将场景平均路径长度缩短 16.7%，相对随机训练基线缩短 7.3%，平均成功率比反应性训练策略高 14.88 个百分点。
NEWS / 动态
#强化学习
按时间浏览，使用右上角筛选切换领域。
arXiv · cs.ROAI 评分5858
Boston Dynamics Blog精选AI 评分7272 
Boston Dynamics 发布 Atlas 新一代 13 自由度机械手
Boston Dynamics 发布 Atlas 机器人新一代手部，自由度从上一代 GR2 的 7 个提升到 GR3 的 13 个，采用四指设计并取消小指。新手指尖和手掌覆盖密集压力触觉传感器，尺寸接近偏大的人手，强度与上一代相当，可搬运装载 100lb 以上的迷你冰箱。
推荐理由：Atlas 新一代手把自由度、可仿真性和工具使用能力放在同一套设计取舍里，可与上一代七自由度手直接对照。
Boston Dynamics BlogAI 评分5858 波士顿动力介绍 Atlas 如何用动捕与强化学习学会足球 Ghost Rabona 假动作
波士顿动力与 Hyundai 合作，在 Hyundai 的 Next Starts Now 活动 School of Football 中展示 Atlas 学习足球并完成 Ghost Rabona 假动作踢球。