ロボット・ドリームズ Blu-ray豪華版スペシャルボックス届いた〜！！！！♡ 過去のわたしが気を利かせて買ってくれてました！ありがとうわたし！しごでき！ 名前の通り豪華版スペシャルボックスすぎる…！ますます人生が最高に〜〜〜！！ #ロボットドリームズ# 🐶🤖🎧🛼🌭💕

『 #ロボット・ドリームズ# 』２回目観てハッ…としたのは、前半ドッグとロボットが地下鉄へ行く前にラスカルとすれ違っているということ。これもまた、"運命"を感じるシーンだった。

『ロボットドリームズ』(11/8公開)試写。傑作。台詞なしで魅せるアニメーション。NYに暮らすドッグは独り暮らしの寂しさからロボットを買う。だが、ある理由で２人は離れ離れになってしまう。友達を想う純粋な気持ち。アース･ウィンド&ファイアーの『September』って、こんな"泣ける"曲でしたっけ…。

すみません皆さんいったん最高のロボット・ドリームズグッズたちを見てください！🤖🐶 大きな段ボールに入ったロボットが届くシーンがあるんだけど、我が家にもロボット・ドリームズのグッズがたっぷり詰まった箱が届いてあの瞬間を思い出しました📦🐦 先日また見返したばっかりだったからとってもタイムリー！ 次またニューヨーク行く時に絶対連れて行きたい🗽🌭🛼 TCエンタテインメントさん素敵なギフトをありがとうございました😭🧡 #robotdreams# #ロボットドリームズ# #pr#

【 #2024年映画ベスト10# 】 1.ホールドオーバーズ 2.ロボット・ドリームズ 3.僕らの世界が交わるまで 4.マッドマックス:フュリオサ 5.哀れなるものたち 6.人生って素晴らしい 7.チャレンジャーズ 8.フォールガイ 9.ソウルメイト 10.恋するプリテンダー

ロボットは動き方を知っていても、何をすべきかの手がかりを必要とする。その「文脈」を扱う研究を100ページ超で整理したサーベイです。 タイトル: In-Context Learning for Robots: Methods and Applications URL: ❓ ロボットの文脈内学習とは何ですか？ デプロイ時にニューラルパラメータを固定したまま、デモンストレーションや相互作用を使って既存の能力を方向づける適応のことです。大規模事前学習で動き自体は獲得できても、目の前のシーンでは複数の手順がどれも実行可能に見えたり、素材の反応が未知だったりします。この欠落は運動能力をいくら高めても埋まりません。 ❓ ファインチューニングと何が違うのですか？ ファインチューニングは新しい証拠を重みに取り込みますが、文脈内学習は意思決定の瞬間に証拠を利用可能にします。論文は適応の所在を、供給された文脈・再帰的状態・外部メモリ・テスト時の重み更新・永続的な重み更新の5つに分け、前3者がパラメータ固定にあたると整理しています。 ❓ 手法はどう分類されているのですか？ 実行が消費する中間表現を軸に4ファミリーへ整理されます。 ・文脈条件付き方策（証拠から行動を直接推論） ・幾何的デモンストレーション転移（参照軌道を位置合わせして実行） ・世界モデルベース制御（未来を予測して計画） ・スキル/エージェントベース実行（スキルやプログラムを選び別のエグゼキュータへ） 同じデモが4つのどれにもなり得る点が重要で、違いは証拠の取り方ではなく実行が必要とする中間表現にあります。 ❓ 評価はどうすればよいのですか？ 証拠を取り除く、記憶を消す、検索を止める、重みを戻すといった介入を実行条件を揃えて行い、改善の出どころを特定します。実際、未知の行動規約を自力で発見させる設定では20エピソード中1回しか成功せず、対応関係の推論も23.3%にとどまったと報告されています。 #ロボティクス# #InContextLearning#

ロボット対戦アクション「ROBOTEKA（ロボテカ）」デモ版にローカル2P対戦モードを追加。重心移動と“見切り”が特徴の2D格闘ゲーム インディゲーム開発のHAMMERVILLEが手がける作品。レバーとボタンによるシンプルな操作で対戦を楽しめる

ロボット基盤モデルがシミュレーションでは高性能なのに、カメラの位置や照明が変わった途端に失敗する原因、実は「見た目のズル」だったかもしれません。 タイトル: Breaking the Vision-Action Shortcut: Latent Interface Training for Generalizable Robotics Foundation Models URL: 📝 概要 訓練分布内でたまたま行動と相関しているだけの無関係な視覚手がかりに頼ってしまう「視覚-行動ショートカット」を断ち切る学習手法「Latent Interface Training（LIT）」を提案しています。 ❗ 解決する課題 ロボット基盤モデルは分布内では強いのに、視覚的な分布シフト（カメラ視点・照明・センサノイズなど）が起きると性能が大きく落ち込む問題がありました。 ⚙️ 方法論 まず画像を使わずポーズ目標だけで行動部分を事前学習し、次に100個の潜在トークンを介して視覚情報を必ず経由させ、ポーズ再構成損失で監督する2段階構成になっています。 🤖 ユースケース π0.5・MolmoAct2・FAST-WAM・ImageWAMという4種類の異なるロボット基盤モデルすべてに適用でき、フレームワークを選ばない汎用的な手法です。 📊 実験結果 LIBERO-Plusの分布外評価で全モデルが3.87〜10.70ポイント改善。実世界のロボット操作でも照明変化時に+16.7ポイント、特定タスクでは+60ポイントという大きな改善を達成しています。 見た目に頼らず本質的な空間情報で判断させる発想が、実運用ロボットの信頼性向上に直結しそうです。 #ロボティクス# #VLA#