iLearn-Lab/VLA-Diffusion-Policy-Robotics

해결하는 문제

로봇 조작 연구자들은 확산 정책의 빠르게 성장하는 분야를 매핑하는 단일하고 체계화된 참조 자료가 부족합니다. 2022년 이후 확산 기반 방법은 많은 로봇 작업에서 전통적인 접근 방식을 지속적으로 능가했지만, 논문은 다양한 학술지에 흩어져 있고 용어도 일관되지 않습니다. 이 프로젝트는 기존 문헌을 체계적으로 분류하고 요약하는 최초의 포괄적인 서베이를 제공함으로써 이러한 격차를 메웁니다.

작동 방식

이 서베이는 확산 정책을 세 가지 관점에서 검토합니다: 데이터가 어떻게 표현되는지(2D, 3D 또는 이종), 모델이 어떻게 구축되는지(대규모 언어 모델 기반, 소형 CNN/트랜스포머 기반, 또는 VAE/VQ-VAE 기반), 그리고 어떤 확산 전략이 사용되는지(예: 강화 학습, 등변성, 가속 샘플링, 분류기 안내, 자기 지도 학습 통합). 그런 다음 각 범주 아래 관련 논문을 나열하고 논문, 코드, 프로젝트 페이지에 대한 링크를 제공합니다. 프로젝트에는 출판물의 성장과 모델 아키텍처 비교를 보여주는 타임라인과 그림도 포함됩니다.

대상 독자

이것은 로봇 공학 및 기계 학습 분야의 연구자, 대학원생, 실무자를 대상으로 하며, 확산 기반 로봇 조작의 현재 상태를 빠르게 이해하고, 범주별로 관련 논문을 찾거나, 연구 격차와 미래 방향을 식별하려는 사람들을 위한 것입니다.

주요 특징

• 로봇 조작을 위한 확산 정책에 대한 최초의 포괄적인 분석으로, 데이터 표현, 모델 아키텍처, 확산 전략을 다룹니다.
• arXiv, 코드 저장소, 프로젝트 웹사이트에 대한 직접 링크가 포함된 광범위한 선별 논문 목록.
• LLM 기반, 소형 CNN/트랜스포머 기반, VAE/VQ-VAE 기반 확산 정책의 세 가지 아키텍처 패밀리를 갖춘 체계화된 분류 체계.
• 확산 정책 방법의 성장과 아키텍처 비교를 시각화하는 타임라인과 통계 그림을 포함합니다.
• 더 깊은 분석과 미래 방향을 제공하는 동반 서베이 논문을 사용할 수 있습니다.