深度分析
「RADAR」全自動閉環機器人資料生成平台:結合視覺語言模型與圖神經網路
隨著機器人學習需要大量物理互動資料,傳統人力收集成本高昂。研究提出 RADAR 系統,利用少量 3D 示範結合視覺語言模型與圖神經網路自動產生任務、執行並以 VQA 評估成功,最後以 FSM 完成環境自動重置。實驗顯示在模擬與實機上可達 90% 成功率,顯著提升資料取得效率。
深度分析
隨著機器人學習需要大量物理互動資料,傳統人力收集成本高昂。研究提出 RADAR 系統,利用少量 3D 示範結合視覺語言模型與圖神經網路自動產生任務、執行並以 VQA 評估成功,最後以 FSM 完成環境自動重置。實驗顯示在模擬與實機上可達 90% 成功率,顯著提升資料取得效率。
深度分析
多代理系統的表現高度仰賴通訊拓撲,但現有做法多為固定或一步式生成,常造成冗餘通訊或能力受限。RADAR提出一套冗餘感知且查詢適應的逐步條件圖擴散框架,將「有效規模」作為生成導向,於拓撲構築中同步控制冗餘。系統在多項推理、數學與程式碼生成基準上展現更高準確、較低Token消耗與更強魯棒性。