- Dreamitate: 通过视频生成进行真实世界视觉运动策略学习
在这篇论文中，我们提出了一种视觉 - 运动策略学习框架，该框架在给定任务的人类示范中对视频扩散模型进行微调。在测试阶段，我们生成了一个以新颖场景的图像为条件的任务执行示例，并直接使用这个合成的执行结果来控制机器人。我们的主要观点是，使用常用 - 细节使得不同：物体状态敏感的神经机器人任务规划
通过引入 Object State-Sensitive Agent (OSSA)，该研究探讨了两种方法（模块化模型和整体模型）在生成与物体状态相关的计划任务方面的性能，结果显示整体模型表现更好。
- Mani-GS: 三角网格的高斯飞溅操作
利用三角形网格直接操纵三维高斯喷洒，实现可操作的逼真渲染，并通过三角形形状感知的高斯绑定和自适应方法，实现三维高斯喷洒的操纵和保持高保真渲染。
- 在无法预见结果下的模仿战略行为中学习
利用机器学习系统进行个体决策的智能行为研究，提出了基于 Stackelberg 博弈的模型，探讨了决策者对个体行为的预期能力对其目标函数和个体最佳反应的影响，并通过调整偏好，同时抑制操纵、鼓励改进和促进公平。
- 机器人操纵器基于视觉和重新定位动作的 NeRF 物体模型不确定性感知主动学习
该研究介绍了一种方法，使机器人能够迅速学习给定物体的完整三维模型以便在陌生的方向上进行操作，通过优化信息性和可行性来确定下一步动作，并通过重新估计物体姿态来纠正相互作用过程中引入的不对齐，通过实验证明与现有方法相比，在视觉重建质量（PSNR - 在线策略分类中的错误、操控和保证金
在一个在线的战略分类问题中，每个到达的代理可以操纵其真实特征向量以获得正面的预测标签，同时付出依赖于操纵量的成本。学习者在仅能访问操纵后的特征的情况下，试图预测代理的真实标签。之后学习者公布其预测，代理的真实标签被揭示。我们提供两种新算法， - 中性模糊集与映射的 Python 框架
使用 Python 开发的开源框架，能够简单直观地操作各种类型的符号表示的中性集和它们之间的映射，扩展和概括了以前提供中性集操作软件解决方案的尝试。
- RPMArt：针对关节对象的稳健感知和操纵
通过学习估计接合参数并处理噪点云，我们提出了一个用于关节式物体的稳健感知和操纵的框架，通过局部特征学习和点元组投票的方式，我们的主要贡献是一种稳健的关节网络（RoArtNet），有效地预测关节参数和可负担点，此外，我们引入了一种关节感知的分 - 建立一种适用于成对比较方法的领导者
两个算法可以用于发起决策方法中两个被选备选方案的权重相等化的操纵攻击，在使用蒙特卡洛模拟的理论研究中展示了偏好矩阵的大小、不一致度和操纵的易程度之间的关系。
- GetMesh: 高质量网格生成与操作的可控模型
我们提出了一种高度可控的生成模型 GetMesh，用于不同类别的网格生成和操作，通过以可变数量的点作为潜在表征，并将它们重新组织为三面位表示，GetMesh 生成具有丰富和锐利细节的网格，优于单一类别和多类别对应物，还可以通过调整潜在点的数 - ICLRLLM 能将指令与数据分离吗？我们用这个说法究竟是什么意思？
我们介绍了一种量化指令和数据分离现象的形式化测量方法，以及可以从模型的黑盒输出计算的经验性变量。我们还引入了一个名为 SEP（应该执行还是处理？）的新数据集，并对几种最先进的开源和闭源大语言模型进行了测试。最后，我们定量证明所有评估的大语言 - 迈向 AI 合成人脸图像的检测
通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性，然后通过频域分析伪造痕迹来得出各种见解，并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。
- 谐波移动操作
通过互补性的导航和操作，将机器人的环境感知与行为规划相结合，实现了在日常任务中的协调性行为，从而改善了现有技术。验证了该方法在模拟和真实环境中的有效性，并能够适应新颖的未知环境，无需额外调优。
- SAGE: 在语言指令下桥接语义和可行动部分实现可推广的关节对象操作
基于语言指令，我们提出了 SAGE 框架，它能够通过语义解释和实际操作的部分之间的联系实现通用的关节物体操作，通过语言指令、视觉输入和互动反馈实现对关节物体的多样化操作。
- FViT-Grasp：使用快速视觉 Transformer 抓取物体
本研究解决了机器人领域中的操控问题，并设计了一种新的方法来快速而准确地确定机器人操控物体的最佳抓取点。我们的方法利用了一种名为快速视觉变形器（FViT）的神经网络，该网络专为处理视觉数据并预测最合适的抓取位置而设计。我们的方法在速度上展示出 - 算法的透明度与操纵
算法透明度具有操纵潜力，而本文引起对冷漠视角的关注，解释了为什么冷漠视角比脆弱性视角更好地解释了算法透明度的操纵潜力，并提出了与算法透明度背景下的操纵研究相关的问题。
- EMNLP探索语言模型的数值推理能力：对表格数据进行综合分析
这篇论文提出了一个层次化的数值推理技能分类法，涵盖四个级别的十多种推理类型。通过对先进模型进行全面评估，并开发了一组多样化的数值探针，论文发现在所有数值推理类型中，FlanT5（无 / 少数据）和 GPT-3.5（少数据）相对其他模型表现出 - 学习设计和使用机器人操纵工具
通过深度学习和强化学习相结合的方法，本文提出了一种学习策略来解决机器人的操纵任务，并展示了比先前方法更高的样本效率、对未见过任务的适应性以及在实际约束条件下复杂性设计和控制策略之间的权衡。
- DEFT: 灵巧微调用于现实世界手部策略
通过 DEFT（DExterous Fine-Tuning for Hand Policies）方法，结合软体机器手、基于人类驱动的经验和在线优化过程，本文探索了灵活性和复杂操作任务，并取得了成功的实验结果，展示了通向全面灵巧操作的数据高效 - GAMMA：通用的关节建模和操作方法，用于关节对象
通过学习不同类别的各种关节物体，我们提出了一种新颖的可推广关节建模和操纵框架 (GAMMA)，可以从根本上改善对未知和跨类别关节物体的建模和操纵性能。