LoRA:大语言模型的低秩适配
LoRA: Low-Rank Adaptation of Large Language Models
冻结预训练权重,仅学习低秩更新,以减少适配模型时需要训练的参数。
通过注意力机制融合激光雷达点云与机器人自身状态,以强化学习策略连接地形感知和四足运动。
PointWalker: Mapless Quadruped Locomotion Directly From Raw LiDAR Point Clouds
观察不以语言对话为中心的物理智能:方法必须在实时感知、身体状态与接触运动之间闭环。
以 PPO 训练单一策略,将点云注意力和本体感知融合用于 X30 四足机器人。作者单位包括浙江大学与云深处,并非云深处单独署名。
论文报告仿真与真实机器人实验;跨越其他传感器布局、全局路径规划和动态支撑的泛化仍有限。
沿着这些连接继续阅读 ↗@misc{li2026pointwalker,
title = {PointWalker: Mapless Quadruped Locomotion Directly From Raw LiDAR Point Clouds},
author = {Sicen Li and Zhen Chu and Chao Li and Jun Zheng and Qiuguo Zhu and Jun Wu},
year = {2026},
eprint = {2610.15548},
archivePrefix = {arXiv},
primaryClass = {cs.RO},
url = {https://arxiv.org/abs/2610.15548}
}论文与代码版权归原作者;引用及许可请以原始来源为准。
LoRA: Low-Rank Adaptation of Large Language Models
冻结预训练权重,仅学习低秩更新,以减少适配模型时需要训练的参数。
Training Compute-Optimal Large Language Models
研究如何在固定训练计算预算下,平衡模型规模与训练数据规模。
FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness
通过减少内存访问开销,在保持精确注意力计算的同时提高效率。