掩码视觉动作让视频动作模型跨机身泛化，甚至能覆盖猩猩
CSProfKGD · x · 2026-07-25
一条机器人线程称，视频-动作模型已经成为通用机器人方向的 SOTA，关键推进来自 RhodaAI 的 Direct Video-Action Model。
帖文重点介绍了一个新思路：用 masked visual actions 让视频动作模型更省数据、也更少依赖具体机身。引用内容称，团队只用 15 小时单臂机器人视频 训练了一个 video world model，就能 zero-shot 泛化到未见过的机身，甚至包括 orangutans；模型还能根据“你希望物体如何运动”去合成对应的机器人动作。
所属事件:仅用 15 小时视频训练出零样本机器人世界模型(3 条相关)→
「具身」频道最新
- 亚马逊谷歌卖出6亿台音箱,AGI 时代为何无人再造智能音箱 — julianlehr · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- 波兰开发者做 iPhone 应用 可探测附近的 Meta 智能眼镜 — Low-Honeydew6483 · 2026-09-11
- 蚂蚁阿福用户达 1.5 亿，外滩大会展示 AI+硬件健康管理联盟 — APPSO · 2026-09-11
- JHU 开设全栈机器人学习课:组装机械臂、采数训练部署一条龙 — _krishna_murthy · 2026-09-11
- SyncWorld:少量视觉校准即可零样本模拟机器人跨视角交互 — ChongZzZhang · 2026-09-11