研究者提出HiRe-MoMa移动操作微调框架
热点事件持续更新
研究者提出HiRe-MoMa移动操作微调框架
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
研究者提出名为 HiRe-MoMa 的分层残差框架，用于真实世界移动操作系统的微调。该框架采用策略无关的残差学习与分层解耦，把残差拆分为移动底座和机械臂两个头，并利用训练覆盖率不足 20% 的稀疏人类干预来重塑评价网络的价值分布。 据作者称，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。
AI 根据报道生成 · 2 小时前更新
最新进展10月15日 12:00
HiRe-MoMa：面向真实世界移动操作的分层残差策略学习框架报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv cs.LGHiRe-MoMa：面向真实世界移动操作的分层残差策略学习框架
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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。