计算机科学 > 机器人技术
[提交于 2025年7月1日
(v1)
,最后修订 2025年7月4日 (此版本, v2)]
标题: 通过模仿生成的视频进行机器人操作而无需物理演示
标题: Robotic Manipulation by Imitating Generated Videos Without Physical Demonstrations
摘要: 这项工作介绍了机器人模仿生成视频(RIGVid),这是一个系统,使机器人能够仅通过模仿AI生成的视频来执行复杂的操作任务——如倒水、擦拭和混合——而无需任何物理演示或机器人特定的训练。 给定一个语言命令和初始场景图像,视频扩散模型会生成潜在的示范视频,视觉语言模型(VLM)会自动过滤不符合命令的结果。 然后,6D姿态跟踪器从视频中提取物体轨迹,并以与具体实现无关的方式将轨迹重新映射到机器人上。 通过广泛的现实世界评估,我们表明经过筛选的生成视频与真实演示一样有效,并且性能随着生成质量的提高而提升。 我们还表明,依赖生成视频优于更紧凑的替代方案,例如使用VLM的关键点预测,并且强大的6D姿态跟踪优于其他轨迹提取方法,例如密集特征点跟踪。 这些发现表明,由最先进的现成模型生成的视频可以为机器人操作提供有效的监督来源。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.