Pixel-UMI：从人体示范学习全身操作策略

Jason Jingzhou Liu 等作者在 arXiv 提交预印本论文，提出 Pixel-UMI 流程，用于从传感器化人类演示中学习环境感知的全身操作策略，以缓解人机本体差异带来的策略学习困难。 该流程包含三部分：环境感知重定向（EAR）结合重建的场景几何与演示中的头部、夹爪轨迹，确定机器人姿态并生成避碰的关节与基座目标；重定向误差感知掩码（REAM）利用训练中的残余位姿误差，降低部署时对不匹配视角的依赖；并通过 DAgger 收集在策略上的人类纠正，弥补估计动作对接触丰富交互的不足。 作者称在关节物体操作、可变形物体处理、受限空间到达、全身避障和接触丰富双臂协调五类任务上评估，平均任务进度为 87.0%。该结果出自预印本，尚未经同行评议或独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。