研究人员开发了 PAC-ACT，一个新颖的强化学习框架，旨在增强预训练动作分块 Transformer (ACT) 策略在工业机器人操作中的性能。该训练后方法在分块级别优化策略，利用 ACT 迁移的 actor-critic 架构和行为先验约束，在微调过程中保持原始动作分布。在精密接触任务上的实验表明，PAC-ACT 提高了任务成功率、稳定性和安全性，同时降低了延迟和内存使用量，尤其是在 Contour 任务上将峰值接触力降低了 46 倍。 AI
影响 增强了工业任务的机器人操作能力，提高了精度和安全性。
排序理由 该集群描述了一篇详细介绍用于改进机器人策略的新框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.09590v1 Announce Type: cross Abstract: Precision industrial contact manipulation requires reliable robot policies under pose perturbations and contact-force constraints. Vision-language-action models offer broad generalization but often introduce high inference latency…
Precision industrial contact manipulation requires reliable robot policies under pose perturbations and contact-force constraints. Vision-language-action models offer broad generalization but often introduce high inference latency and GPU-memory cost, while vision-action chunking…