PulseAugur
中
实时 07:51:05
English(EN) CLAM: Continuous Latent Action Models for Robot Learning from Unlabeled Demonstrations

新的CLAM框架支持从无标签演示中进行机器人学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了CLAM（连续潜在动作模型），一个用于机器人学习的新框架，可以从无标签演示数据中推断连续潜在动作。该方法通过使用自监督动力学预测和少量与任务无关的玩耍数据来训练动作解码器，从而绕过了对昂贵的、带有动作标签的专家数据的需求。CLAM在各种机器人任务上取得了显著的改进，任务成功率比以前的方法高2-3倍，并且接近于使用特权专家动作标签的行为克隆的性能。 AI

影响 通过减少对标记数据的需求，实现更高效的机器人策略学习，可能加速现实世界中的机器人应用。

排序理由 详细介绍机器人学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新的CLAM框架支持从无标签演示中进行机器人学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Anthony Liang, Pavel Czempin, Matthew M. Hong, Yutai Zhou, Jingzhen Wang, Erdem Biyik, Stephen Tu ·

    CLAM: 机器人从无标签演示中学习的连续潜在动作模型

    arXiv:2505.04999v2 Announce Type: replace-cross Abstract: Learning robot control policies from demonstrations typically requires action-labeled expert data, which is expensive to collect through teleoperation. We study a more practical setting in which expert demonstrations are a…

相关实体

相关话题