Aug, 2024
跨体学习的扩展:一个政策用于操控、导航、移动和航空
Scaling Cross-Embodied Learning: One Policy for Manipulation,
Navigation, Locomotion and Aviation
TL;DR本研究解决了机器人学习中数据集小且多样性不足的问题,提出了CrossFormer,一种基于变换器的灵活政策,能够处理任意体形的数据。通过在全球最大和最丰富的数据集上训练,结果表明该模型能够有效控制各种机器人,且性能优于专门针对特定体形的政策,为跨体学习开辟了更广阔的前景。