斯坦福等提出I3L全身移动操作模仿学习系统

斯坦福等机构研究者在 arXiv 发布论文，提出 I3L 系统，用全身纠正加迭代策略精调来解决离线遥操作演示训练出的策略在长时程全身移动操作中的可靠性差距。系统包含开源低成本 JoyLo+ 接口，人可全身协调地纠正策略（策略跟随主臂、触摸触发接管），并在部署后用纠正数据再训练。 论文作者称，在三种机器人本体、八个模拟与真实任务上，I3L 相比基础策略将自主成功率平均提升 68.3 个百分点，每个任务成功率至少达 90%；四轮迭代中每回合人工接管时长下降 72%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。