Pasukan China memenangi anugerah kertas terbaik dan kertas sistem terbaik, dan keputusan penyelidikan CoRL diumumkan.

Sejak pertama kali diadakan pada 2017, CoRL telah menjadi salah satu persidangan akademik terbaik dunia dalam persimpangan robotik dan pembelajaran mesin. CoRL ialah persidangan tema tunggal untuk penyelidikan pembelajaran robot, meliputi pelbagai topik seperti robotik, pembelajaran mesin dan kawalan, termasuk teori dan aplikasi

Persidangan CoRL 2023 akan diadakan di Atlanta, Amerika Syarikat dari 6 hingga 9 November yang diadakan. Menurut data rasmi, 199 kertas kerja dari 25 negara telah dipilih untuk CoRL tahun ini. Topik popular termasuk operasi, pembelajaran pengukuhan dan banyak lagi. Walaupun CoRL berskala lebih kecil daripada persidangan akademik AI yang besar seperti AAAI dan CVPR, memandangkan populariti konsep seperti model besar, kecerdasan terkandung dan robot humanoid meningkat tahun ini, penyelidikan berkaitan yang patut diberi perhatian juga akan dibentangkan pada persidangan CoRL . . Seterusnya, kami akan memperkenalkan kertas-kertas pemenang anugerah ini kepada anda.

Kertas Terbaik

Kertas: Medan Ciri Suling Membolehkan Manipulasi Berpandukan Bahasa Sedikit Tangkapan

Pengarang, Pengarang: William Al Shen, Phillip Jenbling, William Al Shen, Phillip Jenbling Isola

• Institusi: MIT CSAIL, IAIFI
• Alamat kertas:
https://openreview.net/forum?id=Rb0nGIt_kh5
• Gambaran keseluruhan pembelajaran kendiri dan pembelajaran di bawah seliaan bahasa telah menggabungkan pengetahuan global yang kaya, yang penting kepada keupayaan model untuk membuat generalisasi. Walau bagaimanapun, ciri imej hanya mengandungi maklumat dua dimensi. Kami mengetahui bahawa dalam tugas robotik, adalah sangat penting untuk mempunyai sedikit pemahaman tentang geometri objek tiga dimensi dunia sebenar

Dengan menggunakan Medan Ciri Distilled (DFF), penyelidikan ini menggabungkan geometri tiga dimensi yang tepat Digabungkan dengan semantik kaya daripada model asas 2D untuk membolehkan robot mengeksploitasi visual dan bahasa prior yang kaya dalam model asas 2D untuk melengkapkan operasi berpandukan bahasa

Secara khusus, penyelidikan ini Kaedah pembelajaran beberapa pukulan untuk 6- Pegang dan peletakan DOF dicadangkan dan digeneralisasikan kepada objek ghaib menggunakan prior spatial dan semantik yang kuat. Menggunakan ciri yang diekstrak daripada model bahasa visual CLIP, kajian ini mencadangkan arahan bahasa semula jadi terbuka untuk beroperasi pada objek baharu dan menunjukkan keupayaan kaedah ini untuk membuat generalisasi kepada ungkapan yang tidak kelihatan dan objek baru.

Dua pengarang bersama kertas kerja ini ialah William Shen dan Yang Ge, ahli pasukan CSAIL "Embodied Intelligence" yang Yang Ge ialah penganjur bersama Simposium Perisikan Terwujud CSAIL 2023.

Saya mengetahui bahawa "Heart of the Machine" telah memperkenalkan penyelidikan ini secara terperinci, sila semak "Sejauh manakah robot yang disokong oleh model besar? MIT CSAIL&IAIFI menggunakan bahasa semula jadi untuk membimbing robot untuk menangkap objek"

Pelajar Terbaik Kertas

Kertas: Robot Yang Meminta Bantuan: Penjajaran Ketidakpastian untuk Perancang Model Bahasa Besar

Pengarang: Allen Z. Ren, Anushri Dixit, Alexandra Bodrova, Sumeet Singh, Stephen Tu, Noah Brown, Peng Xu Leila Takayama, Fei Xia, Jake Varley, Zhenjia Xu, Dorsa Sadigh, Andy Zeng, Anirudha Majumdar
Institusi: Princeton University, Google DeepMind
Alamat kertas:
• nethttps://openreview? =4ZK8ODNyFXx
• Model bahasa besar (LLM) ialah teknologi dengan prospek aplikasi yang luas, terutamanya dalam bidang robotik. Walau bagaimanapun, walaupun LLM menunjukkan potensi besar dalam perancangan langkah demi langkah dan penaakulan akal, ia juga mengalami beberapa masalah ilusi

Berdasarkan ini, kajian ini mencadangkan rangka kerja baharu - KnowNo, untuk metrik dan penjajaran berdasarkan Ketidakpastian dalam perancang LLM. Ia membolehkan LLM menyedari maklumat yang tidak diketahui dan meminta bantuan apabila diperlukan.

KnowNo adalah berdasarkan teori ramalan konformal, yang menyediakan jaminan statistik penyiapan tugas dan mampu meminimumkan campur tangan manusia dalam tugas perancangan pelbagai langkah

Penyelidikan telah dijalankan ke atas pelbagai robot simulasi dan sebenar Dalam percubaan, KnowNo telah diuji dengan pelbagai mod tugas ketidakpastian (termasuk ketidakpastian spatial, ketidakpastian berangka, dsb.). Keputusan percubaan menunjukkan bahawa KnowNo berprestasi baik dalam meningkatkan kecekapan dan autonomi, mengatasi prestasi garis dasar serta selamat dan boleh dipercayai. KnowNo boleh digunakan secara langsung dalam LLM tanpa penalaan halus model, menyediakan penyelesaian ringan yang berkesan untuk memodelkan ketidakpastian dan melengkapkan peningkatan keupayaan model asas.

Kertas Sistem Terbaik

• Kertas: RoboCook: Manipulasi Objek Elasto-Plastik Long-Horizon dengan Pelbagai Alat
• , Huazhu Clarke Shizhu, Huazhu Clarke iajun Wu
• Institusi: Stanford University, UIUC
• Alamat kertas:https://openreview.net/forum?id=69y5fzvaAT

introduction dan penggunaan manusia yang baik:Paper Tetapi bagi robot, memahami cara menggunakan alatan dengan berkesan dan menyelesaikan operasi pada objek yang sepadan masih menjadi cabaran besar. Penyelidikan ini membina sistem robot pintar bernama RoboCook, yang boleh mengesan, memodelkan dan memanipulasi objek plastik elasto melalui pelbagai alatan

RoboCook menggunakan perwakilan pemandangan awan titik, menggunakan interaksi alat-objek model rangkaian neural (GNN) graf dan menggabungkan klasifikasi alat dengan pembelajaran dasar yang diselia sendiri untuk membangunkan pelan tindakan.

Kajian ini menunjukkan bahawa dengan hanya 20 minit data interaksi dunia sebenar untuk setiap alat, RoboCook boleh mempelajari dan memanipulasi lengan robot untuk menyelesaikan beberapa tugas manipulasi objek plastik-elastik yang kompleks dan jangka panjang, seperti membuat ladu, Kuki abjad, dsb.

Menurut keputusan percubaan, prestasi RoboCook jauh lebih baik daripada kaedah SOTA sedia ada, dan ia masih boleh menunjukkan kestabilan dalam menghadapi gangguan luar yang teruk, dan kebolehsesuaiannya kepada bahan yang berbeza juga lebih baik

Memang berbaloi menyebut bahawa pengarang bersama kertas kerja ini ialah Haochen Shi, pelajar kedoktoran dari Universiti Stanford, dan Huazhe Xu, bekas penyelidik pasca doktoral di Universiti Stanford dan kini penolong profesor di Institut Sains Maklumat Antara Disiplin di Universiti Tsinghua pengarang kertas itu ialah Yao Ban Alumnus Wu Jiajun, penolong profesor di Universiti Stanford.

Senarai pendek kertas pemenang telah diumumkan

Atas ialah kandungan terperinci Pasukan China memenangi anugerah kertas terbaik dan kertas sistem terbaik, dan keputusan penyelidikan CoRL diumumkan.. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!