arXiv cs.LG· Zhefei Gong, Hefeifei Jiang, Zehao Wang, Jiachen Li·· 7 小时前AI 评分29
HiRe-MoMa：面向真实世界移动操作的分层残差策略学习框架
Hierarchical Residual Policy Learning for Real-World Mobile Manipulation with Sparse Human Guidance
AI 导读
研究者提出 HiRe-MoMa 分层残差框架，用于真实世界移动操作系统的稳定、样本高效微调。该框架通过策略无关残差学习与分层解耦，将残差拆分为移动底座和机械臂两个头，并借助不足 20% 训练覆盖率的稀疏人类干预实现专家引导价值对齐。在 TIAGo++ 平台上，仅约 30 分钟在线交互即可持续提升任务表现，且不受基础策略架构限制。
来源：arXiv cs.LG · arxiv.org