机器人学习

面向机器人操作的低成本便携数据收集与策略学习框架 结合手持夹具与界面设计，实现低成本便携的机器人操作演示数据收集，支持双手动态任务采集。采用延迟匹配与相对轨迹表示生成硬件无关策略，可跨机器人平台部署，训练后可零次调整泛化到新任务新环境，经真实环境实验验证有效性。

面向手术机器人的学习模型，解决达芬奇系统运动学不准确问题 该模型针对达芬奇手术机器人系统前向运动学不准确的行业痛点，通过相对动作公式突破技术限制，可直接利用包含近似运动学的大量临床数据开展机器人学习，无需额外校正，已验证可完成组织操作、针头处理、结扎三类基础手术任务，支持手术机器人控制政策的训练与部署。

基于大模型的强化学习奖励函数优化研究项目，性能优于人类专家 该项目利用GPT-4这类先进大模型的零样本生成、代码编写和上下文改进能力，对强化学习奖励代码进行进化优化，生成的奖励可用于训练复杂智能技能。在29个开源强化学习环境（含10种机器人形态）中，其生成的奖励函数表现优于人类专家设计结果，支持灵活改进提升奖励质量与安全性，结合课程学习可实现复杂机器人操控任务。

Naver Labs研发的兼顾灵活性与强度的智能双臂机器人项目 AMBIDEX是Naver Labs推出的智能双臂机器人研发项目，在保障强劲动力传递的同时，实现机身的轻便灵活，符合坚韧、安全的设计要求。项目聚焦研究新型机器人学习方式，旨在让机器人掌握人类动作能力，可适配日常场景中的复杂任务执行需求，区别于传统笨重、动作灵活性不足的工业双臂机器人。

GPU加速的开源机器人学习模拟平台，数据收集速度远超同类 由HillBot.ai主导开发，支持通过状态、视觉输入训练机器人，视觉数据收集速度较同类平台快10-100倍。依托GPU并行模拟渲染可达30000+FPS，自带40+任务、2000+对象与数百万帧演示，可将泛化策略训练时间从天压缩至分钟，可pip安装，配套GUI与完整文档。

面向具身AI研究的开源大规模机器人数据集平台 该平台包含基础模型、基准测试与完整研究生态，为学术界和工业界提供高质量机器人数据。平台拥有超100台机器人的百万条轨迹，覆盖百余个真实场景，涵盖精细操控、工具使用、多机器人协作等任务，搭载多模态硬件，支持多方向AI研究，推动大规模机器人学习发展。