仅仅收集操控数据对机器人来说是不够的——它们需要能够在世界中移动，这与纯粹的操控面临着完全不同的挑战。而将导航和操控结合在一个框架中则更具挑战性。 介绍HERMES，由@fancy_yzc和@still_wtm开发。这是一个四阶段的过程，其中使用人类视频来建立一个RL模拟到现实的训练管道，以克服机器人和人类运动学之间的差异，并与导航基础模型一起使用，以便在各种环境中移动。 想了解更多，欢迎加入我们，@fancy_yzc和@still_wtm将告诉我们他们是如何构建他们的系统，以便在各种环境中从人类视频中执行移动灵巧操控的。 今天观看第45集RoboPapers，由@micoolcho和@chris_j_paxton主持！

行走机器人可以做各种令人兴奋的事情，比如跳舞、跑步和武术——但为了使它们有用，它们必须能够利用腿部应对地形，跨越障碍，而不仅仅是绕过它们。那么，我们如何才能最好地训练腿部机器人的行走策略呢？@ChongZitaZhang 和我们谈论了这个问题。 现在观看由 @micoolcho 和 @chris_j_paxton 主持的 RoboPapers 第43集，了解更多信息。

通过足够的数据，机器人和AI可以学习“世界模型”，使它们能够预测自己行为的结果。这些模型是学习具身AI代理如何执行各种有用任务的一种方式——但它们需要大量的数据。 General Intuition团队 @gen_intuition 有一个解决方案：使用视频游戏中的数据！游戏教会了运动、问题解决和复杂的空间推理，并且它们以惊人的多样性形式出现，涵盖了各种各样的问题。更重要的是，捕获的数据是高质量的，没有来自 我们与General Intuition团队的 @PimDeWitte 和 @AdamJelley2 坐下来，了解他们的历史、计划和哲学。