新的SL-FM方法可在多模态模仿学习中实现可操作的控制

研究人员开发了源提升流匹配（SL-FM），一种新颖的模仿学习方法，允许直接干预多模态动作分布。与以前的方法不同，SL-FM允许用户通过操纵共享的、无潜在变量的速度场来选择给定状态下的特定延续。核心创新是正交源提升，它通过将句柄特定的源映射到辅助坐标系中，同时将目标保留在原始动作子空间中，从而防止了路径交叉歧义。实验表明，SL-FM有效地将被动随机性转化为可操作的控制，提高了机器人基准测试的性能，并实现了对未来轨迹的精确干预。 AI

影响 能够对人工智能驱动的机器人系统实现更精确的控制和干预。

排序理由 该集群包含一篇详细介绍模仿学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• Orthogonal Source Lifting
• robotics
• ScienceCast
• Source-Lifted Flow Matching

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →