热点事件观察中

MIM-VLA用夹爪电机反馈提升抓取选择准确率

1 篇报道1 个报道来源1 天前更新

先了解这件事

AI 综述

Jaeyoung Lee 等研究者提出 MIM-VLA 架构，把夹爪电流、位置、速度和信号有效性编码为 128 维交互 token，在三个真实场景、13 对物体的测试中，选择高阻力物体的比例达 75.0%，SmolVLA 基线为 48.8%。该方法预训练后仅调节 SmolVLA 的夹爪动作通路，手臂动作与位置控制接口保持不变，只使用夹爪已有电机反馈，无需额外触觉阵列、力矩传感器、标定力估计或直接电流控制。

AI 根据报道生成 · 1 天前更新

最新进展10月7日 12:00

MIM-VLA：从夹爪电机反馈学习物理交互表征

报道时间线

沿着报道，了解事件的不同侧面。

10月7日

12:00
arXiv cs.RO 机器人学
MIM-VLA：从夹爪电机反馈学习物理交互表征
MIM-VLA 用夹爪电流、位置、速度和信号有效性编码为 128 维交互 token，预训练后仅调节 SmolVLA 的夹爪动作通路，手臂动作与位置控制接口保持不变。在三个真实场景、13 对物体的测试中，MIM-VLA 选择高阻力物体的比例为 75.0%，SmolVLA 基线为 48.8%；该方法仅使用夹爪已有电机反馈，无需额外触觉阵列、力矩传感器、标定力估计或直接电流控制。

本事件热度走势

可比范围当前: 4
可比范围峰值: 1010月7日 13:00
近 24 小时变化: -50%

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。