12 notas publicadas
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 salto es una secuencia ensayada y previsible, mientras la ropa cambia de forma en cada intento. Por eso la mano quedó como la pieza más difícil del robot doméstico.
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.
Thomas Houden, de OnRobot, sostiene que el modelo más capaz no sirve si la herramienta del extremo del brazo no puede sentir la fuerza, detectar el deslizamiento y confirmar el agarre.
La empresa de robots móviles autónomos suma la tecnología de agarre blando NeuraGrasp, que combina succión y pinza para tomar bolsas porosas y textiles que la ventosa clásica no logra levantar.
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.
En vez de agregar un módulo de acción a un modelo de visión y lenguaje, la política del robot se construye sobre un modelo de video que ya aprendió cómo evoluciona el mundo.
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.
