NVIDIA Research 在 CVPR 发布 GraspGen-X、LCDrive 与 NitroGen 三项研究
NVIDIA Research 在 CVPR 展示三篇论文：首个零样本抓取基础模型 GraspGen-X 基于 20 亿次仿真抓取训练，可为未见过的夹爪和物体生成抓取位姿。
推荐理由：三篇论文分别覆盖零样本抓取、自动驾驶推理加速与虚拟环境智能体训练，可了解规模化训练如何提升跨场景泛化。
论文与研究
全部主题机器人与具身智能领域的论文与研究，保留来源、阶段和证据边界。
186条精选
最新精选
第 181–186 条 · 共 186 条NVIDIA blog robotics精选AI 评分7474
BAIR精选AI 评分6262 GRASP：面向世界模型长时程规划的梯度规划器
BAIR 提出 GRASP，一种面向学习动力学世界模型的梯度规划器，通过把轨迹提升到虚拟状态实现跨时间并行优化、对状态迭代加噪探索，并重塑梯度只依赖动作雅可比。
推荐理由：GRASP 把长时程规划拆成可并行的时间步并绕开脆弱的状态梯度，Push-T 上成功率与耗时对比给出了可参考的量化差异。
NVIDIA dev blog robotics精选AI 评分6262 R²D²：用 NVIDIA Isaac Lab 扩展多模态机器人学习
NVIDIA 开发者博客介绍 R²D²，一种借助 NVIDIA Isaac Lab 扩展多模态机器人学习的方法。文章指出真实世界采集数据昂贵、缓慢且危险，难以安全训练高速碰撞或硬件故障等风险场景，且真实数据通常偏向正常条件。原文正文在此处截断，未给出 R²D² 的具体方法、数据规模或实验结果。
推荐理由：介绍 R²D² 如何借助 Isaac Lab 在仿真中扩展多模态机器人学习，可了解其应对真实数据采集难题的思路。
Skild AI 官方研究博客精选AI 评分6262 Skild AI 提出通过观看人类视频学习机器人技能
Skild AI 提出通过观看人类视频学习新技能的方法，仅需不到 1 小时机器人数据即可微调模型完成新任务。该方法针对遥操作在数据多样性和规模上的局限，尝试用已存在的人类视频数据跨越不同本体形态之间的差异。Skild AI 认为这能改变机器人数据瓶颈，使基础模型的可扩展任务学习成为可能。
推荐理由：Skild AI 提出从人类视频学习技能的方法，读者可了解其如何用少量机器人数据跨越形态差异。
BAIR精选AI 评分6060 不依赖 TD 学习的强化学习：Transitive RL 的分治价值学习
BAIR 博客介绍了一种不基于时序差分（TD）学习的强化学习范式：分治价值学习，并给出具体算法 Transitive RL（TRL）。
推荐理由：作者以第一人称梳理分治价值学习如何绕开 TD 的误差累积，并给出在 OGBench 长程任务上的对比结果。
Skild AI 官方研究博客精选AI 评分6464 Skild AI 提出 omni-bodied 机器人大脑，10 万种机器人训练实现零样本适应
Skild AI 训练了一个 omni-bodied 大脑，在包含 10 万种不同机器人的仿真环境中训练，使其能零样本控制训练中从未见过的机器人。在展示中，同一模型无需针对场景微调，就能应对断腿、锁膝、卡轮、踩高跷等形态突变，通过上下文学习在毫秒到数分钟内调整步态并恢复行走。Skild AI 认为，让模型控制所有身体而非单一或少数身体，是通向可靠物理世界 AGI 的路径。
推荐理由：Skild AI 用 10 万种机器人训练单一策略，展示零样本适应断腿、卡轮等形态突变，可观察跨本体泛化的思路。