yorkhunter的博客

21年12月来自MIT-IBM实验室、MIT、哈佛和斯坦福的论文“ThreeDWorld: A Platform for Interactive Multi-Modal Physical Simulation”。

23年10月来自Nvidia和德州Austin分校的论文“MimicGen: A Data Generation System for Scalable Robot Learning using Human Demonstrations”。

24年9月来自谷歌的论文“DemoStart: Demonstration-led auto-curriculum applied to sim-to-real with multi-fingered robots”。

24年8月（CoRL‘24录取）来自伯克利分校的论文“Body Transformer: Leveraging Robot Embodiment for Policy Learning”。

24年8月来自南京大学、复旦和华为诺亚实验室的论文“EmoTalk3D: High-Fidelity Free-View Synthesis of Emotional 3D Talking Head”。这是一种合成具有可控情绪 3D talking head 的方法，具有增强的唇部同步和渲染质量。尽管该领域取得了重大进展，但先前的方法仍然存在多视角一致性和缺乏情感表现力的问题。为了解决这些问题，收集包含标定的多视角视频、情感注释和每帧 3D 几何的 EmoTalk3D 数据集。

24年3月来自南京大学、中科院自动化所和复旦大学的论文“STAG4D: Spatial-Temporal Anchored Generative 4D Gaussians”。预训练扩散模型和 3D 生成的最新进展激发了人们对 4D 内容创作的兴趣。然而，实现具有时空一致性的高保真 4D 生成仍然是一个挑战。STAG4D，将预训练的扩散模型与动态 3D 高斯扩散相结合，实现高保真 4D 生成。从 3D 生成技术中汲取灵感，用多视图扩散模型来初始化锚定在输入视频帧上的多视图图像，其中视频可以是真实世界捕获的，

24年7月来自斯坦福/哥伦比亚大学和谷歌的论文“UMI on Legs: Making Manipulation Policies Mobile with Manipulation-Centric Whole-body Controllers”。

24年7月来自斯坦福的论文“EquiBot: SIM(3)-Equivariant Diffusion Policy for Generalizable and Data Efficient Learning”。

24年8月来自南京大学、复旦大学和华为诺亚实验室的论文“Relightable 3D Gaussians: Realistic Point Cloud Relighting with BRDF Decomposition and Ray Tracing”。本文提出一种可微分点渲染框架来实现照片级真实感的重打光方法。为了使重建的场景可重打光，关联额外属性（包括法线向量、BRDF 参数和来自各个方向的入射光）来增强原始 3D 高斯。

24年2月来自中科大、香港大学、南京大学、澳大利亚 Adelaide 大学、上海科技大学和德州农机大学的论文“GaussianPro: 3D Gaussian Splatting with Progressive Propagation”。3D Gaussian Splatting (3DGS) 的出现最近带来了神经渲染领域的一场革命，有助于实时实现高质量的渲染。然而，3DGS 严重依赖于由运动结构 (SfM) 技术生成的初始化点云。

24年1月来自谷歌DeepMind的论文“AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents”。

23年112月来自谷歌的论文“SARA-RT: Scaling up Robotics Transformers with Self-Adaptive Robust Attention”。

20年4月来自英国Bristol大学、加拿大多伦多大学、意大利Catania和Nvidia的论文“The EPIC-KITCHENS Dataset: Collection, Challenges and Baselines”。

24年9月来自中科院自动化所和北大的论文“RoboGPT: an LLM-based Embodied Long-term Decision Making agent for Instruction Following Tasks”。

24年1月来自伯克利分校、清华、斯坦福、上海AI实验室、上海姚期智研究院和香港中文大学的论文“”Any-point Trajectory Modeling for Policy Learning“。

23年11月来自谷歌DeepMind、UCSD、斯坦福和谷歌Intrinsic的论文“RT-Trajectory: Robotic Task Generalization via Hindsight Trajectory Sketches”。

24年9月来自阿里的论文“Qwen2.5-Math Technical Report:Toward Mathematical Expert Model Via Self- Improvement ”。

22年1月来自谷歌的论文“Transporter Networks: Rearranging the Visual World for Robotic Manipulation”。

21年9月来自华盛顿大学和Nvidia的论文“CLIPORT: What and Where Pathways for Robotic Manipulation”。

24年10月清华大学的论文"RDT-1B: A Diffusion Foundation Model for Bimanual Manipulation"。双手操作在机器人技术中至关重要，但由于协调两个机械臂（导致多模态动作分布）的固有复杂性以及训练数据的稀缺性，开发基础模型极具挑战性。本文提出机器人扩散Transformer（RDT），一种用于双手操作的开创性扩散基础模型。RDT 以扩散模型为基础，有效地表示多模态，以可扩展的Transformer来处理多模态输入的异质性并捕获机器人数据的非线性和高频

24年10月来自CMU和UC Berkeley的论文“The Ingredients for Robotic Diffusion Transformers”。近年来，机器人专家利用高容量 Transformer 网络架构和生成扩散模型，在解决灵巧机器人硬件上日益普遍的任务方面取得了显著进展。不幸的是，将这两项正交改进结合起来已被证明出奇地困难，因为没有明确且易于理解的流程来做出重要的设计选择。本文确定、研究和改进高容量扩散Transformer策略的关键架构设计决策。

24年2月来自北京大学、DeepSeek-AI、香港大学、清华大学和俄亥俄州立大学的论文“Math-Shepherd: Verify And Reinforce LLMs Step-by-step Without Human Annotations”。

24年2月来自UCSD和谷歌的论文“Multi-Step Problem Solving Through A Verifier: An Empirical Analysis On Model-Induced Process Supervision”。

24年6月来自谷歌DeepMind的论文“Improve Mathematical Reasoning in Language Models by Automated Process Supervision”。

24年10月来自清华和CMU的论文“Inference Scaling Laws: An Empirical Analysis Of Compute-optimal Inference For LLM Problem-solving ”。

23年11月来自清华大学、多伦多大学和零一万物公司的论文“EgoThink: Evaluating First-Person Perspective Thinking Capability of Vision-Language Models”。

24年10月来自 Meta 田博团队的论文“Dualformer: Controllable Fast and Slow Thinking by Learning with Randomized Reasoning Traces”。

24年2月来自Meta 田博的团队论文“ Beyond A*: Better Planning with Transformers via Search Dynamics Bootstrapping”。

24年10月来自UCSD、CMU、HillBot、Dresden工大、清华大学和伦敦皇家学院的论文“ManiSkill3: GPU Parallelized Robotics Simulation and Rendering for Generalizable Embodied AI”。

24年7月来自斯坦福的论文“DexCap: Scalable and Portable Mocap Data Collection System for Dexterous Manipulation”。

24年7月来自JHU和斯坦福大学的论文“Surgical Robot Transformer (SRT): Imitation Learning for Surgical Tasks”。

24年9月来自 UC Berkeley 和 UC Davis 的论文“Active Vision Might Be All You Need: Exploring Active Vision in Bimanual Robotic Manipulation”。

24年10月来自伦敦大学学院、利物浦大学、上海交大、香港科技大学（广州分校）和西湖大学的论文“OpenR: An Open Source Framework for Advanced Reasoning with Large Language Models”。

24年8月来自UC Berkeley和谷歌DeepMind 的论文“Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters”。

24年6月来自京东和北理工的论文“Empowering Embodied Manipulation: A Bimanual-Mobile Robot Manipulation Dataset for Household Tasks”。

24年6月来自Nvidia的论文“RVT-2: Learning Precise Manipulation from Few Demonstrations”。

23年6月 Nvidia 的论文“RVT: Robotic View Transformer for 3D Object Manipulation”。

24年5月来自 UC San Diego, Stanford U, UC Berkeley, Google Deepmind的论文“Evaluating Real-World Robot Manipulation Policies in Simulation”。

24年7月来自美团的论文“RoboCAS: A Benchmark for Robotic Manipulation in Complex Object Arrangement Scenarios”。

24年7月来自伦敦帝国学院的 Dyson 机器人学习实验室论文“BiGym: A Demo-Driven Mobile Bi-Manual Manipulation Benchmark”。