提升机器人避障新高度：探索ARMOR自感知系统的创新技术

摘要：今日精选了5篇LLM领域的优秀论文，为了方便大家阅读，只列出了论文标题、AMiner AI综述等信息，如果感兴趣可点击查看原文，PC端数据同步（收藏即可在PC端查看），每日新论文也可登录小程序查看。如果想要对某篇论文进行深入对话，可以直接复制论文链接到浏览器上

想把握最新的科技进展和研究成果，却发现自己的阅读速度根本赶不上文献产出的速度？
别担心，AMiner AI会帮助你高效检索和阅读文献！

AMiner AI，一款集发现论文、分析论文、理解论文、写作论文于一体的科研小助手。它会帮助你更加游刃有余地穿梭在学术海洋中，让科研变得更加有趣和高效！

今日精选了5篇LLM领域的优秀论文，为了方便大家阅读，只列出了论文标题、AMiner AI综述等信息，如果感兴趣可点击查看原文，PC端数据同步（收藏即可在PC端查看），每日新论文也可登录小程序查看。
如果想要对某篇论文进行深入对话，可以直接复制论文链接到浏览器上或者直达AMiner AI页面：「链接」

2024年12月4日精选新论文列表：

1.ARMOR: Egocentric Perception for Humanoid Robot Collision Avoidance and Motion Planning
该研究提出了一种名为ARMOR的以自我为中心的感知系统，旨在提升人形机器人在密集环境中的运动规划和避障能力。系统集成了软硬件，特别是采用了类似可穿戴设备的深度传感器。研究采用分布式感知方法增强机器人的空间感知能力，并使其运动规划更加灵活。研究团队还在模拟环境中训练了一种基于Transformer的模仿学习策略，以实现动态避障，利用了AMASS数据集中约86小时的人类真实运动数据。实验结果显示，ARMOR感知系统比使用多个密集头戴式和外部安装的深度相机配置提高了63.7%的成功率。此外，与采样基础的运动规划专家cuRobo相比，该策略在避障方面表现更佳，提高了31.6%。研究团队还在真实世界的GR1人形机器人上部署了ARMOR感知系统，并计划在arXiv版本的论文中更新源代码链接、硬件描述和3D CAD文件。

链接：ARMOR: Egocentric Perception for Humanoid Robot Collision Avoidance and Motion Planning - AMiner VIP

2.Amortizing Intractable Inference in Large Language Models
这篇论文探讨了大语言模型中难以处理的推理问题，并提出了一种通过使用 amortized Bayesian 推断方法从难以处理的后验分布中采样的解决方案。研究者通过使用多样性寻求的强化学习算法——生成流网络（GFlowNets）对大语言模型进行微调，实现了这种推断的算法化。研究结果表明，这种分布匹配的微调范式可以作为一种有效的替代方法，用于最大似然训练和奖励最大化策略优化。此外，论文将思维链推理视为潜在变量建模问题，并通过该方法展示了大语言模型在多步骤推理和工具使用任务上的数据高效适应能力。

链接：Amortizing Intractable Inference in Large Language Models - AMiner VIP

3.Enhancing Zero-shot Chain of Thought Prompting Via Uncertainty-Guided Strategy Selection
本文提出了一种名为Zero-shot Uncertainty-based Selection (ZEUS)的新方法，旨在通过利用不确定性估计来选择有效的示范，从而提升大型语言模型（LLM）的链式思维（CoT）提示能力。该方法无需访问模型参数，能够区分有助于问题解决和无效的问题，实现更精确和可靠的选择。研究通过四个具有挑战性的推理基准进行了广泛评估，结果表明ZEUS在性能上持续优于现有的CoT策略，展现了其鲁棒性和可扩展性。

链接：Enhancing Zero-shot Chain of Thought Prompting Via Uncertainty-Guided Strategy Selection - AMiner VIP

4.Robot Learning with Super-Linear Scaling
该论文提出了一种名为CASHER的管道，通过众包和摊销人力成本的方式，实现机器人学习数据的超线性扩展。CASHER利用3D重建技术众包现实世界场景的数字孪生，在模拟环境中收集大规模数据，而不是在现实世界中进行。该方法初期通过强化学习和人类演示引导数据收集，随着通用策略在多个环境中的训练，其泛化能力可以用来替代人类演示，从而逐渐减少人力投入。研究结果显示，CASHER在三个现实世界任务中，跨越多种场景表现出了零样本和少量样本的超线性扩展规律，并且能够无需额外人力投入，通过视频扫描对预训练策略进行目标场景的微调。相关项目信息可在其网站查看。

链接：Robot Learning with Super-Linear Scaling - AMiner VIP

5.TAROT: Targeted Data Selection Via Optimal Transport
本文提出了一种基于最优传输理论的针对性数据选择框架TAROT。传统的针对性数据选择方法主要依赖基于影响力的贪心启发式策略来提升特定领域的性能，但在数据复杂性增加时效果不佳，特别是在多模态分布中，这些方法未能考虑数据内在的多种模式，导致数据选择次优。论文指出两个主要限制因素：一是高维影响力估计中主要特征成分的过度影响，二是贪心选择策略中的线性加性假设限制。TAROT通过引入白化特征距离来减轻主要特征的偏差，提供了一个更可靠的数据影响力度量。基于此，TAROT利用白化特征距离来量化并最小化选定数据与目标域之间的最优传输距离，这一过程还有助于估计最优选择比例。研究者在多个任务上评估了TAROT的性能，包括语义分割、运动预测和指令调整等，结果表明TAROT优于现有方法，显示出其在不同深度学习任务中的通用性。相关代码已公开。