🤖 DEXOP —
اسکلت بیرونی غیرفعال برای آموزش دقیق ربات‌ها از MIT و UC 🦾
♻️تیمی از پژوهشگران Improbable AI Lab، MIT و UC از سیستمی نوآورانه به نام DEXOP رونمایی کردند — یک اسکلت بیرونی مچی (wrist exoskeleton) که به‌صورت فیزیکی حرکات انسان را به بازوی ربات منتقل می‌کند.
♻️وقتی اپراتور انگشت خود را خم می‌کند، ربات نیز همان حرکت را به‌صورت آنی و دقیق تکرار می‌کند. سنسورهای داخلی دستگاه نیز قدرت گرفتن و فشار انگشتان را ثبت می‌کنند.
🔹 مزیت کلیدی:
داده‌های حرکتی و لمسی بدون نویز یا اعوجاج به دست می‌آیند — بر خلاف جوی‌استیک‌ها یا شبیه‌سازها.
در نتیجه، ربات‌ها بسیار سریع‌تر یاد می‌گیرند؛ مثلاً زمان لازم برای بستن یک لامپ از ۸۶ ثانیه به ۱۱ ثانیه کاهش یافته است.
⚠️ نکته منفی:
همچنین DEXOP به کالیبراسیون بسیار دقیق نیاز دارد؛ در غیر این صورت داده‌ها ممکن است دچار انحراف شوند.
به‌زودی در همه‌ی ساختمان‌ها و تأسیسات — برای تعویض لامپ‌ها در خدمت انسان 😄
https://arxiv.org/pdf/2509.04441
@rss_ai_ir 🤖
#رباتیک #هوش_مصنوعی #MIT #DEXOP #Exoskeleton #RobotLearning #AI
اسکلت بیرونی غیرفعال برای آموزش دقیق ربات‌ها از MIT و UC 🦾
♻️تیمی از پژوهشگران Improbable AI Lab، MIT و UC از سیستمی نوآورانه به نام DEXOP رونمایی کردند — یک اسکلت بیرونی مچی (wrist exoskeleton) که به‌صورت فیزیکی حرکات انسان را به بازوی ربات منتقل می‌کند.
♻️وقتی اپراتور انگشت خود را خم می‌کند، ربات نیز همان حرکت را به‌صورت آنی و دقیق تکرار می‌کند. سنسورهای داخلی دستگاه نیز قدرت گرفتن و فشار انگشتان را ثبت می‌کنند.
🔹 مزیت کلیدی:
داده‌های حرکتی و لمسی بدون نویز یا اعوجاج به دست می‌آیند — بر خلاف جوی‌استیک‌ها یا شبیه‌سازها.
در نتیجه، ربات‌ها بسیار سریع‌تر یاد می‌گیرند؛ مثلاً زمان لازم برای بستن یک لامپ از ۸۶ ثانیه به ۱۱ ثانیه کاهش یافته است.
⚠️ نکته منفی:
همچنین DEXOP به کالیبراسیون بسیار دقیق نیاز دارد؛ در غیر این صورت داده‌ها ممکن است دچار انحراف شوند.
به‌زودی در همه‌ی ساختمان‌ها و تأسیسات — برای تعویض لامپ‌ها در خدمت انسان 😄
https://arxiv.org/pdf/2509.04441
@rss_ai_ir 🤖
#رباتیک #هوش_مصنوعی #MIT #DEXOP #Exoskeleton #RobotLearning #AI
🤖 VITRA —
مدل VLA مقیاس‌پذیر مایکروسافت برای یادگیری مهارت‌های انسان از ویدیوهای واقعی
مایکروسافت پروژهٔ جدیدی به نام VITRA معرفی کرده که هدف آن انتقال مستقیم مهارت‌های انسان به ربات‌هاست — فقط با استفاده از ویدیوهای واقعی، بدون سناریو و کاملاً ایگو-سنتریک (از دید انسان).
این یعنی ربات مهارت‌ها را از مشاهدهٔ رفتار طبیعی انسان‌ها یاد می‌گیرد، نه با دیتاست‌های ساختگی یا دموهای دقیق آزمایشگاهی.
🔍 مدل VITRA دقیقاً چه می‌کند؟
ویدیوهای معمولی از دست انسان را به دیتاست کامل VLA تبدیل می‌کند
مدل Vision-Language-Action را برای حرکت دست انسان آموزش می‌دهد
همان مدل را روی داده‌های ربات فاین‌تیون می‌کند تا روی ربات واقعی کار کند
🧩 چطور دیتاست عظیم ساخته می‌شود؟
♻️بازسازی کامل حرکت ۳بعدی دست انسان
♻️تعیین دقیق پوز دوربین و هماهنگی فضا
♻️تبدیل حرکت پیوسته به اکشن‌های اتمی
♻️اضافه کردن توضیح متنی به هر بخش، مثل:
«چرخ را بگیر»، «دستگیره را بچرخان»، «شیء را بردار»
🧠 معماری مدل
مدل VLM بک‌اند برای درک بصری
دیفیوژن پالیسی برای تولید اکشن
توصیف اکشن با ۱۵ زاویهٔ مفصل + پوز و اورینتیشن دست (استاندارد MANO)
— مستقیماً قابل استفاده روی ربات‌های انسان‌نما
📈 نتایج کلیدی
پیش‌بینی zero-shot رفتار دست در محیط‌های جدید
مقیاس‌پذیری قوی — کیفیت با افزایش داده رشد می‌کند
عملکرد بهتر نسبت به SOTA مثل EgoDex
کنترل واقعی ربات با موفقیت بالا در کارهای دستکاری (manipulation)
📅 زمان انتشار عمومی
مایکروسافت قول داده کد، داده و مدل‌ها را تا ۳۰ نوامبر ۲۰۲۵ منتشر کند.
🔗 پروژه:
https://microsoft.github.io/VITRA/
🔗 مقاله:
https://arxiv.org/abs/2510.21571
#AI #Robotics #VLA #Microsoft #VITRA #MachineLearning
#ComputerVision #RobotLearning #ImitationLearning
#EgocentricVideo #Manipulation #DeepLearning
#HumanToRobot #EmbodiedAI #AutonomousSystems
مدل VLA مقیاس‌پذیر مایکروسافت برای یادگیری مهارت‌های انسان از ویدیوهای واقعی
مایکروسافت پروژهٔ جدیدی به نام VITRA معرفی کرده که هدف آن انتقال مستقیم مهارت‌های انسان به ربات‌هاست — فقط با استفاده از ویدیوهای واقعی، بدون سناریو و کاملاً ایگو-سنتریک (از دید انسان).
این یعنی ربات مهارت‌ها را از مشاهدهٔ رفتار طبیعی انسان‌ها یاد می‌گیرد، نه با دیتاست‌های ساختگی یا دموهای دقیق آزمایشگاهی.
🔍 مدل VITRA دقیقاً چه می‌کند؟
ویدیوهای معمولی از دست انسان را به دیتاست کامل VLA تبدیل می‌کند
مدل Vision-Language-Action را برای حرکت دست انسان آموزش می‌دهد
همان مدل را روی داده‌های ربات فاین‌تیون می‌کند تا روی ربات واقعی کار کند
🧩 چطور دیتاست عظیم ساخته می‌شود؟
♻️بازسازی کامل حرکت ۳بعدی دست انسان
♻️تعیین دقیق پوز دوربین و هماهنگی فضا
♻️تبدیل حرکت پیوسته به اکشن‌های اتمی
♻️اضافه کردن توضیح متنی به هر بخش، مثل:
«چرخ را بگیر»، «دستگیره را بچرخان»، «شیء را بردار»
🧠 معماری مدل
مدل VLM بک‌اند برای درک بصری
دیفیوژن پالیسی برای تولید اکشن
توصیف اکشن با ۱۵ زاویهٔ مفصل + پوز و اورینتیشن دست (استاندارد MANO)
— مستقیماً قابل استفاده روی ربات‌های انسان‌نما
📈 نتایج کلیدی
پیش‌بینی zero-shot رفتار دست در محیط‌های جدید
مقیاس‌پذیری قوی — کیفیت با افزایش داده رشد می‌کند
عملکرد بهتر نسبت به SOTA مثل EgoDex
کنترل واقعی ربات با موفقیت بالا در کارهای دستکاری (manipulation)
📅 زمان انتشار عمومی
مایکروسافت قول داده کد، داده و مدل‌ها را تا ۳۰ نوامبر ۲۰۲۵ منتشر کند.
🔗 پروژه:
https://microsoft.github.io/VITRA/
🔗 مقاله:
https://arxiv.org/abs/2510.21571
#AI #Robotics #VLA #Microsoft #VITRA #MachineLearning
#ComputerVision #RobotLearning #ImitationLearning
#EgocentricVideo #Manipulation #DeepLearning
#HumanToRobot #EmbodiedAI #AutonomousSystems
👍1🔥1👏1