XiaoMi-AI文件搜索系统
World File Search SystemCORL
未来方向
●ICLR 2024在LLM代理商上的研讨会●值得信赖的多模式基础模型和AI代理（TIFA）ICML 2024●多模式基础模型相遇的AI ICML 2024●NeyUrips 2024 NeyUrips 2024 2024 Neurips oon Open-Worlips opecet the toe to priment to primst to primst wealeips weaurips 202222222224有关有用可靠的AI代理的研讨会●CMU代理讲习班2024●CORL 2024语言和机器人学习研讨会●CORL 2024 X-EMBROBOTIMENT机器人学习研讨会●伯克利语言课程berkeley on Berkeley on Berkeley on of Berkeley oon on Blogange Model Agents●Facct 2024 Facct 2024 Tuteorage and Prospect of Prospect of LM Agents：LM Adivs：facks of LM Agens：
vidhi Jain -
2024年8月Anavi：使用室内室内视觉效果进行导航的音频噪声意识。Vidhi Jain，Rishi Veerapanini，Yonatan Bisk。在德国慕尼黑的机器人学习会议（CORL）会议上接受。纸|网站2024年3月FlexCap：在图像中生成丰富，本地化和灵活的字幕。Debidatta Dwibedi，Vidhi Jain，Jonathan Tompson，Andrew Zisserman，Yusuf Aytar。在加拿大温哥华的神经信息处理系统（Neurips）的会议上接受。纸|网站2024年1月VID2ROBOT：端到端的视频条件策略学习，跨注意变形金刚。Vidhi Jain , Maria Attarian, Nikhil J Joshi, Ayzaan Wahid, Danny Driess, Quan Vuong, Pannag R Sanketi, Pierre Sermanet, Stefan Welker, Christine Chan, Igor Gilitschenski, Yonatan Bisk, Debidatta Dwibedi, In Proceedings of Robotics: Science and Systems (RSS) 2024年，荷兰代尔夫特。纸|网站|视频2023年11月，如何提示您的机器人：用代码作为政策的操纵技巧的促进书。Montserrat Gonzalez Arenas, Ted Xiao, Sumeet Singh, Vidhi Jain , Allen Z. Ren, Quan Vuong, Jake Varley, Alexander Herzog, Isabel Leal, Sean Kirmani, Dorsa Sadigh, Vikas Sindhwani, Kanishka Rao, Jacky Liang, Andy Zeng.在国际机器人与自动化国际会议上（ICRA）2024年，日本横滨。2023年11月的纸张开放X-设备：机器人学习数据集和RT-X模型。开放X-授权协作。在国际机器人与自动化国际会议上（ICRA）2024年，日本横滨。（最佳纸）纸|网站2023年6月，巴掌：空间关注政策。Priyam Parasher，Vidhi Jain，Xiaohan Zhang，Jay Vakil，Sam Powers，Yonatan Bisk，Chris Paxton。在美国亚特兰大的机器人学习会议论文集（CORL）2023年，论文|网站2023年6月：荷马植物：开放式摄影库移动操作。Sriram Yenamandra, Arun Ramachandran, Karmesh Yadav, Austin S Wang, Mukul Khanna, Theophile Gervet, Tsung-Yen Yang, Vidhi Jain , Alexander Clegg, John M Turner, Zsolt Kira, Manolis Savva, Angel X Chang, Devendra Singh Chaplot, Dhruv Batra, Roozbeh Mottaghi，Yonatan Bisk，Chris Paxton。在美国亚特兰大的机器人学习会议论文集（CORL）2023年。纸|网站|竞赛 @ Neurips 2023 2022年12月，变压器是适应性的任务计划者。Vidhi Jain，Yixin Lin，Eric Undersander，Yonatan Bisk，Akshara Rai。在新西兰奥克兰2022年机器人学习会议论文集（CORL）。纸|网站|视频|代码
Shubham Sonawani
总结为博士学位。在机器人和AI中，我的专业知识在于混合现实，计算机视觉，抓握和操纵以及大型语言模型的交集，并非常重视增强人类机器人的互动。通过对IROS，ICRA和CORL等国际会议的贡献来证明我的跨学科方法。我正在将我的学术见解转化为实际应用，并寻求机会加入一个针对现实世界机器人和AI Challenges的团队。
Abhinav Valada
ConferenceonRobotLearning(CoRL), IEEEConferenceonComputerVisionandPatternRecognition(CVPR), IEEEInternationalConferenceon Computer Vision (ICCV), Robotics: Science and Systems (RSS), IEEE International Conference on Robotics and Automation (ICRA), IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), International Conference on Field and Service Robotics （FSR），国际机器人研究研讨会（ISRR），欧洲移动机器人会议（ECMR），国际高级机器人会议（ICAR），germanconferenceOnpatternrecognition（GCPR），国际conferenceOnConferenceOnConferenceonConconteronEnintelligenteligenteligentRoboticsandApplications（ICIRA）
div>的课程
Conferences Robotics: Robotics: Science and Systems (RSS) G Conference on Robotics Learning (CORL) G International Conference on Robotics and Automation (ICRA) G International Conference on Intelligent Robots and Systems (IROS) Computer Vision: Computer Vision and Pattern Recognition (CVPR) G International Confer- ence on Computer Vision (ICCV) Machine Learning: Conference on Neural Information Processing Systems (NeurIPS) G Inter- national Conference on Machine Learning （ICML）G国际学习代表会议（ICLR）
克里斯·阿吉亚（Chris Agia）
[10] C. Agia，K。M. Jatavallabhula，M。Khodeir，O。Miksik，V。Vineet，M。Mukadam，L。Paull，L。Paull和F. Shkurti，“任务学：评估机器人任务计划在大型3D场景图上进行大型3D场景图的计划”机器学习研究会议记录，第1卷。164，PMLR，2022，pp。46–58。 [在线]。 可用：https：//arxiv.org/abs/2207.05006。46–58。[在线]。可用：https：//arxiv.org/abs/2207.05006。
营养状况与36-59个月儿童的营养状况与贫血之间的关系
头五年对于儿童的成长和成长是一个非常重要的时期。营养状况和贫血是影响儿童发育的因素。基于在PKM Long Ayan进行的一项初步研究，DDTK筛查（早期检测到生长和发育）在6至72个月的儿童中发现了323名儿童，发现年龄段36至59个月的发育率最高，共有44名儿童（13.6％）。知道36-59个月的儿童营养状况与贫血之间的关系，在Long Ayan亚地区健康中心的工作区域中有发育问题。使用横截面方法进行定量关联。样本的数量为40人，总采样。双变量分析具有Spearman等级的基于Spearman等级相关测试的结果，P值为0.011，其中该数字<0.05意味着HA被接受并拒绝HO，因此可以得出结论，可以得出结论，基于营养状态和儿童发育问题之间存在关系，并且基于该图5的spearman corl 0 0. Spearman corl 0 0. spearman corliation 2 correlation preal value valiation preal valiatiation preal value valiation 4这意味着HA被接受，因此可以得出结论，贫血状况与儿童发育问题之间存在关系。营养状况与贫血之间存在关系，与长期Ayan Pustu工作区的36-59个月儿童的发育问题之间存在关系。
WEIYU LIU
口头演讲，关于学习有效抽象的计划在Corl 2024受邀演讲，伯克利人工智能研究实验室，UC Berkeley 2023邀请演讲，Stanford Vision and Learn Lab，Stanford Vision and Learn Lab，Stanford University 2022邀请，邀请Talk，Robograds学生会议，Georgia trive 202222222年2022年，密歇根大学2022年邀请演讲，进度实验室，邀请演讲，神经机器人学习研讨会2021年口头演讲，ICRA 2021口语演示的语义代表研讨会，AAAI 2020年2020年口头演示，ISRR 2019
Willie McClinton -
1。”实践完美：计划学习技能参数策略”，银*，T.，Kumar*，N.，McClinton，W。，ET。al。RSS：机器人科学与系统会议（2024）。2。”学习效果的抽象计划模型，这些模型选择要预测的“ McClinton*，W。和Kumar*，N。等。在L4Tamp上的RSS研讨会上的最佳纸张。在Corl机器人学习会议上的完整论文（2023）3。”的谓词发明，用于二重性计划” Silver，T。等。AAAI人工智能会议（2023）4。“可通话表示”学习” Bhardwaj，S。和McClinton，W。等。[https://arxiv.org/abs/2302.11349]（2023）专利：美国专利11048928和11989936。
Tairan He
CONFERENCE PROCEEDiNGS [C15] HOVER: Versatile Neural Whole‑Body Controller for Humanoid Robots.Tairan He*, WenliXiao*, ToruLin, ZhengyiLuo, ZhenjiaXu, ZhenyuJiang, JanKautz, ChangliuLiu, GuanyaShi, Xiaolong Wang, Linxi “Jim” Fan † , Yuke Zhu † ICRA , 2025 [Paper] [C14] OmniH2O: Universal and Dexterous Human‑to‑Humanoid Whole‑Body Teleoperation and Learning.Tairan He*, Zhengyi Luo*, Xialin He*, Wenli Xiao, Chong Zhang, Kris Kitani, Weinan Zhang, Changliu Liu, Guanya Shi.CoRL , 2024 [Paper] [C13] WoCoCo: Learning Whole‑Body Humanoid Control with Sequential Contacts.Chong Zhang*, Wenli Xiao*, Tairan He, Guanya Shi.CoRL ( Oral ), 2024 [Paper] [C12] Learning Human‑to‑Humanoid Real‑Time Whole‑Body Teleoperation.Tairan He*, Zhengyi Luo*, Wenli Xiao, Chong Zhang, Kris Kitani, Changliu Liu, Guanya Shi IROS , 2024 ( Oral ) [Paper] [C11] Progressive Adaptive Chance‑Constrained Safeguards for Reinforcement Learning.Zhaorun Chen, Binhao Chen, Tairan He, Liang Gong, Chengliang Liu.IROS , 2024 [Paper] [C10] Agile But Safe: Learning Collision‑Free High‑Speed Legged Locomotion.Tairan He*, Chong Zhang*, Wenli Xiao, Guanqi He, Changliu Liu, Guanya Shi.RSS , 2024 ( Outstanding Student Paper Award Finalist ‑ Top 3 ) [Paper] [C9] Safe Deep Policy Adaptation.Wenli Xiao*, Tairan He*, John Dolan, Guanya Shi.ICRA , 2024 [Paper] [C8] State‑wise Safe Reinforcement Learning: A Survey.Weiye Zhao, Tairan He, Rui Chen, Tianhao Wei, Changliu Liu.IJCAI (Survey Track) , 2023.[Paper] [C7] Probabilistic Safeguard for Reinforcement Learning Using Safety Index Guided Gaussian Process Models.