提出 Agent-Centric Observations 方法提升视觉控制鲁棒性
热点事件持续更新
提出 Agent-Centric Observations 方法提升视觉控制鲁棒性
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
Zhengru Fang、Yu Guo 等人发布了预印本论文及开源代码,提出了 Agent-Centric Observation Adaptation (ACO-MoE) 方法以增强动态扰动下的视觉控制鲁棒性。 该方法引入 Visual Degraded Control Suite (VDCS) 基准评估七类退化影响。在八个任务中,ACO-MoE 将 DreamerV3 的平均回报从受损后的 562 恢复至 730;机械臂部署测试显示,其在运动模糊和暗光下的操作成功率由最高 10% 提升至 75%-95%。 研究团队在机器人演示数据上训练 ACO-MoE,并将其与一个 30 亿参数的 VLA 策略结合,部署于 Piper 机械臂以完成方块和杯子放置任务。
AI 根据报道生成 · 10 小时前更新
报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv · 机器人与计算机视觉面向动态扰动的鲁棒视觉控制:Agent-Centric Observation Adaptation for Robust Visual Control under Dynamic Perturbations
论文介绍 VDCS 基准与 ACO-MoE 方法,通过混合专家路由修复图像内容以应对天气、噪声等退化。在八个任务中,ACO-MoE 将 DreamerV3 的平均回报从 562 恢复至 730;在机械臂部署中,该方法将运动模糊和暗光下的成功率从最高 10% 提升至 75%-95%。代码与论文为预印本状态。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 911月18日 17:00
- 近 24 小时变化
- –
02.557.510
18:0020:0022:0011月19日02:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。