arXiv 论文：NAO 无状态估计踢球成功率 100%
热点事件持续更新
arXiv 论文：NAO 无状态估计踢球成功率 100%
1 篇报道1 个报道来源23 小时前更新
先了解这件事
AI 综述
研究者 Ryan Gao 等人在 arXiv 发布论文，提出 RSSM-RLPD 强化学习方法。据论文称，NAO 机器人仅靠机载传感器、不使用动捕或外部摄像头，在 30 分钟真实交互后从多个起始位置学会将足球踢进球门，成功率 100%；相同训练预算下前馈策略成功率为 0%。 该方法用无迹卡尔曼滤波（UKF）估计状态，用循环状态空间模型（RSSM）学习新状态表示，仅在观测到球时修正 RSSM 隐状态。论文中的仿真实验显示其成功率高于行为克隆、前馈和 GRU 基线。
AI 根据报道生成 · 1 小时前更新
最新进展10月15日 12:00
NAO 机器人踢足球：无高质量状态估计的真实机器人交互强化学习报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.AINAO 机器人踢足球：无高质量状态估计的真实机器人交互强化学习
研究者提出 RSSM-RLPD，让 NAO 机器人仅靠机载传感、无需动捕或外部摄像头，在 30 分钟真实交互后从多个起始位置学会将足球踢进球门，成功率 100%，相同训练预算下前馈策略为 0%。该方法用无迹卡尔曼滤波（UKF）估计状态，并用循环状态空间模型（RSSM）学习新状态表示，仅在观测到球时修正 RSSM 隐状态。仿真实验显示其成功率高于行为克隆、前馈和 GRU 基线。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。