10 notas publicadas
El modelo aprende sobre todo de video en tercera persona y ya lo prueban Noble Machines, Standard Bots y Ultra en su propio hardware antes del lanzamiento público.
La política de manipulación de Reward AI aprende de personas que usan un guante sensorizado y después corre en brazos industriales y humanoides, sin teleoperación ni datos tomados desde el robot.
La empresa dice que sensar bajo la piel evita el desgaste que sufren las capas eléctricas pegadas a la superficie, y muestra cifras de resolución y de fuerza.
El modelo de OpenAI terminó 7 de las 100 pruebas de manipulación de StationeryBench, mientras MolmoAct2 no cerró ninguna con el mismo robot de dos brazos.
Laboratorios académicos y startups corren por armar bases de datos táctiles masivas, el insumo que a los modelos visión-lenguaje-acción todavía les falta para manipular objetos pequeños.
Los Juegos Mundiales de Robots Humanoides cerraron en Beijing con 600 equipos y récords de velocidad, pero la prueba realmente difícil fue tomar porotos con pinzas.
El modelo de Generalist AI copia una habilidad nueva a partir de 3 a 12 segundos de datos sensoriomotores, sin ajuste fino ni pasos de gradiente, con 59% de éxito promedio.
La empresa australiana Contactile propone VμA, una clase de modelos que suma el coeficiente de fricción como entrada directa para que los robots manipulen objetos sin fallar.
KinetIQ Ascend usa aprendizaje por refuerzo en el mundo real para pasar del 78% al 99% en manipulación bimanual y elevar 42% el throughput de una línea de bearings.
Otros temas que aparecen junto a #manipulacion en nuestra cobertura editorial.
